Introducci´ on a las Finanzas Cuantitativas on
Jos´ e Manuel Corcuera Corcu era
2
J.M. Corcuera
2
J.M. Corcuera
´Indice 1 Valoraci aloraci´ o ´n de derivados 3 1.1 Mode odelos a tiempo discreto . . . . . . . . . . . . . . . . . . . . . . 4 1.1.1 1.1.1 Estrategi Estrategias as de inversi´ inversi´ on . . . . . . . . . . . . . . . . . . . 5 1.1. 1.1.22 Est Estrat rategi egias adm admisibl sibles es y arb arbitra itrajje . . . . . . . . . . . . . . 7 1.2 1.2 Mart arting ingalas alas y oport portun uniidade dadess de arbi arbitr traj ajee . . . . . . . . . . . . . 9 1.3 Mercados Mercados completos completos y valor valoraci´ aci´on de opci pciones . . . . . . . . . . . 14 1.3.1 1.3 .1 Valo alorac raci´ i´ on on y replicaci´on o n en me merc rcad ados os comp comple leto toss . . . . . . 15 1.4 Introd Introducc ucci´ i´on a las opc opcion iones am amer eriicana canass . . . . . . . . . . . . . . . 21 1.4.1 1.4 .1 El prob problem lemaa de la para parada da ´optima optima y las opciones americanas americanas 22 1.4.2 1.4 .2 Aplica Aplicaci´ ci´ on o n a opc opcione ioness am amer eric icaanas nas . . . . . . . . . . . . . . 27 1.5 Mode odelos a tiempo continuo . . . . . . . . . . . . . . . . . . . . . 30 1.5. 1.5.11 Mart artinga ingallas a tiem iempo con contin tinuo . . . . . . . . . . . . . . . 36 1.5.2 1.5 .2 Constr Construcc ucci´ i´ on on de la integral estoc´astica. . . . . . . . . . . 37 1.5.3 C´alculo alculo de Itˆo . . . . . . . . . . . . . . . . . . . . . . . . . 45 1.5.4 Teorema de Girsanov . . . . . . . . . . . . . . . . . . . . . 48 1.5.5 El mode odelo de Black-Scholes . . . . . . . . . . . . . . . . . 49 2 Optimiz Optimizaci aci´ o ´n de carteras 63 2.1 Progra Programac maci´ i´ on on din´amica . . . . . . . . . . . . . . . . . . . . . . . 66 2.2 M´etodo odo de martingala . . . . . . . . . . . . . . . . . . . . . . . . 68 2.2.1 2.2 .1 Optimi Optimizac zaci´ i´on on de carteras en el modelo de Cox-Ross-Rubinstein (CRR). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 2.3 2.3 Cons Consum umoo ´optimo . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 2.3.1 M´ etodo etodo de programaci´on on din´amica amica en el problema de consumo ´optimo . . . . . . . . . . . . . . . . . . . . . . . . . 76 2.3.2 2.3.2 M´ etodo etodo de martingala martingala en el problema problema de consumo ´opt optimo imo 79 2.3. 2.3.33 Util Utilid idad ad m´axima axima para para el cons consumo umo y la riquez riquezaa termi terminal nal . 83 2.4 Optimi Optimizac zaci´ i´on o n en el mo mode delo lo de Blac Blackk-Sc Scho hole less . . . . . . . . . . . . 85 2.4.1 M´ etodo etodo de programaci´on on din´amica. amica. Ecuaci´on de HJB. . . 86 2.4. 2.4.22 M´etod e todoo de mart artinga ingalla . . . . . . . . . . . . . . . . . . . . 89 3 Mo delos de tipo de inter´ es 3.1 Modeliz Modelizaci aci´´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 La curva de tipos pos . . . . . . . . . . . . . . . . . . . . . . . 3
93 93 93
´ INDICE
4
3.2 3.3
3.4
3.5 3.6
3.1.2 Curva de tipos para un futuro incierto . . . . 3.1.3 Tipos de inter´es . . . . . . . . . . . . . . . . Opciones sobre bonos . . . . . . . . . . . . . . . . . Modelos basados en los tipos instant´aneos . . . . . . 3.3.1 Inversi´on de la curva de tipos . . . . . . . . . 3.3.2 Estructuras de tipos afines. . . . . . . . . . . 3.3.3 El modelo de Vasicek . . . . . . . . . . . . . 3.3.4 El modelo de Ho-Lee . . . . . . . . . . . . . . Modelos basados en los tipos a plazo . . . . . . . . . 3.4.1 La ecuaci´on de Musiela . . . . . . . . . . . . 3.4.2 Bonos con cupones y swaps . . . . . . . . . . 3.4.3 ”The foward measure” . . . . . . . . . . . . . Forwards and Futures . . . . . . . . . . . . . . . . . Miscelanea . . . . . . . . . . . . . . . . . . . . . . . 3.6.1 Black-Scholes en el caso multidimensional . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95 95 100 102 105 105 106 107 108 110 111 113 117 119 119
´ INDICE
J.M. Corcuera
2
´ INDICE
Cap´ıtulo 1
Valoraci´ on de derivados Supongamos que el precio de unas acciones viene dado en el instante t por S t . Nos proponemos estudiar el llamado mercado de opciones o derivados. Definici´ on 1.0.1 Una opci´ on es un contrato que da el derecho (pero no la obligaci´ on) a comprar (CALL) o vender (PUT) acciones a un precio K (strike o precio de ejercicio) en el instante T (madurez del contrato). El beneficio (o payoff) del contrato ser´a:
− K )+
(S T en el caso del CALL `o
− S T )+
(K
en le caso del PUT. Problema 1: ¿Cu´ anto debe pagar el comprador de la opci´on? (prima). Es el llamado problema de valoraci´on. Problema2: El que vende el contrato, c´omo debe generar la cantidad ( S T K )+ (en el caso del CALL) a partir de la prima. Es el llamado problema de recubrimiento del riesgo (”hedging”). Suposici´on: vamos a suponer que en el mercado no se puede hacer beneficio sin riesgo (”est´a libre de oportunidades de arbitraje”). Tambi´en vamos a suponer que la tasa de inter´es (continuo) es r. Es decir un euro se convierte en erT euros pasado el tiempo T . Entonces, tenemos el siguiente resultado.
−
Proposici´ on 1.0.1 (relaci´ on de paridad PUT -CALL) si el mercado est´ a libre de oportunidades de arbitraje y C t es la prima o precio de un CALL con strike K y madurez T en el instante t y P t la del put con el mismo strike y madurez, tenemos que C t
− P t = S t − Ke−r(T −t), para todo 0 ≤ t ≤ T 3
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
4
Demostraci´ on. Veamos que si no hay arbitraje. Supongamos por ejemplo que C t P t > S t Ke −r(T −t)
−
−
En el instante t compramos una acci´on, un PUT y vendemos un CALL. Obtenemos C t P t S t
− −
por hacer la operaci´on. Si la cantidad es positiva la invertimos a inter´es r hasta el instante T , si es negativa pedimos prestado al mismo tipo. En el instante T se pueden dar dos situaciones: 1) S T > K el cliente al que le hemos vendido el CALL lo ejerce, entonces le damos la acci´on por K, en total tendremos S t ) er(T −t) + K
− −− −
(C t
P t
= C t
≤ − −
P t
S t + Ke −r(T −t) er(T −t) > 0
2) S T K, ejercemos el PUT y vendemos la acci´on a K , tendremos otra vez (C t P t S t ) er(T −t) + K que es una cantidad positiva. Por lo tanto habr´ıa arbitraje.
1.1
Modelos a tiempo discreto
Los valores de los stocks (acciones u otros activos) ser´an variables aleatorias definidas en un cierto espacio de probabilidad (Ω , , P ). Consideraremos una sucesi´ on creciente de σ-´algebras (filtraci´on) : 0 ... . n rep1 N resenta la informaci´on disponible hasta el instante n. El horizonte N , corresponder´ a con la madurez de las opciones. Supondremos que Ω es finito, 0 = , Ω , que N = = (Ω) y que P ( ω ) > 0, para todo ω. El mercado consistir´a en (d + 1) activos financieros cuyos precios en el instante n estar´an dados por variables no-negativas S n0 , S n1 , ..., S nd que son medibles respecto a n (es decir los precios dependen de ”lo” observado hasta ese momento, es decir no hay informaci´on privilegiada), en muchos casos supondremos que n = σ(S k1 ,..., S kd , 0 k n), con lo que toda la informaci´on estar´a en los precios observados hasta ese momento. El stock con super´ındice cero corresponde a un activo sin riesgo (dinero en una cuenta bancaria) y supondremos que S 00 = 1. Si el beneficio relativo del activo sin riesgo: 0 S n+1 S n0 = r 0 S n0
F F P
F F ⊆ F ⊆ ⊆ F ⊆ F F F {∅ }
{}
F
F
≤ ≤
−
≥
es constante, tendremos 0 S n+1 = S n0 (1 + r) = S 00 (1 + r)n+1 .
El factor β n =
1 0 S n
= (1 + r)−n lo llamaremos factor de descuento.
J.M. Corcuera
1.1. MODELOS A TIEMPO DISCRETO
1.1.1
Estrategias de inversi´ on
Una estrategia de inversi´on es un proceso estoc´astico (una sucesi´on de variables aleatorias en el caso discreto) φ = ((φ0n , φ1n ,...,φ dn ))0≤n≤N en Rd+1 . φin indica el n´ umero de acciones del tipo i-´esimo en la cartera de valores, en el instante n-´esimo. φ es ”previsible” es decir:
φi0 φin
es es
F 0-medible F n−1-medible,
≤ n ≤ N.
para todo 1
Esto quiere decir que las posiciones de la cartera en el instante n fueron decididas con la informaci´on disponible en n 1. Es decir en el periodo (n 1, n] la cantidad de activos del tipo i es φ in . El valor de la cartera en el instante n es el producto escalar
−
−
d
·
V n (φ) = φ n S n =
φin S ni ,
i=0
su valor descontado es
˜n (φ) = β n V n (φ) = φ n S ˜n V
·
con
˜n = (1, β n S n1 ,...,β n S nd ) = (1, ˜ S S n1 , ..., ˜ S nd )
Definici´ on 1.1.1 Una estrategia de inversi´ on se dir´ a que es autofinanciada si
·
·
≤ n ≤ N − 1
φn S n = φ n+1 S n , 0
Observaci´ on 1.1.1 La interpretaci´ on es que en el instante n una vez anunciados los nuevos precios S n los inversores reajustan su cartera sin a˜ nadir ni consumir riqueza: si compramos φ n+1 φn activos el coste de la operaci´ on ser´ a (φn+1 φn ) S n , y queremos que ´este sea cero esto es φ n S n = φn+1 S n , 0 n N 1.
−
− · ≤ −
·
·
≤
Proposici´ on 1.1.1 Una estrategia de inversion es autofinanciada si si s´ olo si: V n+1 (φ)
− V n(φ) = φn+1 · (S n+1 − S n), 0 ≤ n ≤ N − 1
Proposici´ on 1.1.2 Las siguientes cosas son equivalentes: (i) La estrategia φ es autofinanciada, (ii) Para todo 1 n N
≤ ≤
V n (φ) = V 0 (φ) +
n
n
j=1
(iii) Para todo1
· − S j−1) =
φj (S j
j=1
n
·
φj ∆S j =
d
φij ∆S ji
j=1 i=0
≤ n ≤ N n
˜n (φ) = V 0 (φ) + V
j=1
n
˜j φj (S
· −
˜j −1 ) = S
j=1
n
˜j = φj ∆S
·
d
j=1 i=1
˜ji φij ∆S
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
6
Demostraci´ on. (i) equivale a (ii): n
V n (φ) = V 0 (φ) +
(V j (φ)
j=1 n
= V 0 (φ) +
j=1
− V j−1(φ))
· − S j−1) (proposici´on anterior)
φj (S j
(i) equivale a (iii): la condici´on de autofinanciaci´on se puede escribir: ˜n = φn+1 S ˜n , 0 φn S
·
·
≤ n ≤ N − 1
por tanto ˜n+1 (φ) V
− V ˜n(φ) = φn+1 · (S ˜n+1 − S ˜n), 0 ≤ n ≤ N − 1
y n
˜n (φ) = V ˜0 (φ) + V
˜j (φ) (V
− V ˜j−1(φ))
j=1 n
= V 0 (φ) +
˜j φj (S
j=1
· − S ˜j−1)
Esta proposici´on nos dice que la estrategia autofinanciada est´a definida por su valor inicial V 0 y por las posiciones en los activos con riesgo. M´as concretamente: Proposici´ on 1.1.3 Para cualquier proceso previsible φˆ = ((φ1n ,...,φ dn ))0≤n≤N y cualquier variable V 0 0 -medible, existe un ´ unico proceso previsible tal que la 0 1 d estrategia φ = ((φn , φn ,...,φ n ))0≤n≤N es autofinanciada con valor inicial V 0 .
F
Demostraci´ on. n
˜n (φ) = V 0 (φ) + V
j=1 n
= V 0 (φ) +
j=1
˜j φj (S
· − S ˜j−1)
˜j φj (S
· − S ˜j−1)
˜n = φ0n + = φn S
·
d
φin ˜ S ni .
i=1
Por tanto n 1
φ0n = V 0 (φ) +
−
j=1
d
˜j φj (S
· − S ˜j−1) −
i=1
φin ˜ S ni −1
∈ F n−1
1.1. MODELOS A TIEMPO DISCRETO
1.1.2
J.M. Corcuera
Estrategias admisibles y arbitraje
Notemos que no hacemos suposiciones sobre el signo de las cantidades φin . Si φin < 0 significa que hemos pedido prestado ese n´umero de acciones y convertido en dinero (”venta en corto”) o unidades monetarias que hemos convertido en acciones (pr´estamo para comprar acciones) y que tenemos que devolver, notemos que cada unidad monetaria del instante 0 vale (1 + r)n en el instante n. Supondremos que los pr´estamos y ventas en corto est´an permitidos siempre que el valor de nuestra cartera sea en todo momento positivo. Definici´ on 1.1.2 Una estrategia φ es admisible si es autofinanciada y si V n (φ) 0, para todo 0 n N.
≤ ≤
≥
Definici´ on 1.1.3 Una estrategia de arbitraje es una estrategia admisible con valor inicial cero y valor final distinto de cero. Observaci´ on 1.1.2 Notemos que si existe arbitraje resultar´ıa que con una inversi´ on inicial cero obtendr´ıamos una riqueza no nula. La mayor parte de los modelos de precios excluyen oportunidades de arbitraje de manera que si queremos tener una riqueza final no nula tendremos que hacer inversi´ on inicial. El prop´ osito siguiente ser´ a caracterizar estos modelos con la noci´ on de martingala. Un mercado sin oportunidades de arbitraje se dir´ a que es viable. Ejercicio 1.1.1 Consideremos una cartera con valor inicial V 0 = 1000, formada por las cantidades siguientes de activos con riesgo: Activo 1 Activo 2 n>0 200 100 n>1 150 120 n>2 500 60 Si el precio de los activos es n = 0 n = 1 n = 2
Activo 1 Activo 2 3.4 2.3 3.5 2.1 3.7 1.8
encontrar en cada instante las cantidades de activo sin riesgo de la cartera, suponiendo r = 0.05 y que la cartera es autofinanciada. Soluci´ on 1.1.1 Sabiendo que el valor de la cartera en el tiempo t = 0 es V 0 = 1000, podemos calcular la composici´ on de la cartera inicial a seg´ un las posiciones φ1 = (200, 100), dejando en la cuenta corriente lo que queda de los 1000 euros iniciales despu´ es de comprar los activos 1 y 2. Despu´ es calculamos c´ omo evoluciona el valor de la cartera en funci´ on del cambio de precios entre el instante 0 y el 1.Volvemos a reestructurar la cartera en funci´ on de las posiciones φ2 = (150, 120), en la cuenta corriente volvemos a dejar lo que queda del valor de la cartera en t=1 despu´ es de comprar los activos 1 y 2 en las cantidades correspondientes. Despu´es calculamos c´ omo evoluciona el valor de la cartera en funci´ on del cambio de precios entre el instante 1 y el 2.
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
8 Activo 0 1 2 Total
No acciones 90 200 100
Precio t = 0 1 3,4 2,3
Valor t = 0 90 680 230 1000
Precio t = 1 1,05 3,5 2,1
Valor t = 1 94,5 700 210 1004,5
Activo 0 1 2 Total
No acciones 216,67 150 120
Precio t = 1 1,05 3,5 2,1
Valor t = 1 2227,5 525 252 1004,5
Precio t = 2 1,103 3,7 1,8
Valor t = 2 238,88 555 216 1009,88
Ejercicio 1.1.2 Consideremos un mercado financiero con un solo periodo, con tipo de inter´es r y con un solo activo con riesgo S . Supongamos que S 0 = 1 y, para n = 1, S 1 puede tomar dos valores diferentes: 2, 1/2. ¿Para que valores de r el mercado es viable (libre de oportunidades de arbitraje)? ¿Y si S 1 puede tomar tambi´en el valor 1? Soluci´ on 1.1.2 Queremos calcular los valores de r para los que hay posibilidad de arbitraje. Tomamos una cartera cuyo valor inicial sea V 0 = 0. Entonces, si invertimos el importe q en el activo sin riesgo, tenemos que invertir q en el activo con riesgo ( q puede ser negativa o positiva). Calculamos el valor de la cartera en los dos posibles estados del momento 2. V 1 (ω1 ) = q (r 1) V 1 (ω2 ) = q (r + 1/2) Por tanto, si r > 1 hay posibilidad de arbitraje tomando q positiva (dinero en cuenta corriente y posici´ on corta en el activo con riesgo) y si r < 1/2 tenemos posibilidad de arbitraje con q positiva (tomando prestado dinero e invirtiendo en el activo con riesgo). La situaci´ on no cambia si S 1 puede tomar el valor 1.
−
−
−
Ejercicio 1.1.3 Supongamos un mercado con dos stocks (d = 2) tales que los valores en t = 0 son S 01 = 9.52 Eur. y S 02 = 4.76 Euros. El dinero est´ a a inter´es simple del 5% en el per´ıodo [0, 1]. Se supone tambi´en que en el instante 1, S 11 y S 12 pueden tomar tres valors, dependiendo de los tres estados del mercado: ω1 , ω2 , ω3 : S 11 (ω1 ) = 20 Eur., S 11 (ω2 ) = 15 Eur. y S 11 (ω3 ) = 7.5 Eur , y S 12 (ω1 ) = 6 Eur , S 12 (ω2 ) = 6 Eur. i S 12 (ω3 ) = 4. ¿Es un mercado viable ? Soluci´ on 1.1.3 Para saber si el mercado es viable tenemos que comprobar si existe posibilidad de arbitraje. Tomamos una cartera cuya inversi´ on inicial sea 0 y vemos si puede tener rendimiento no negativo en todos los estados del momento 1 con alguno de ellos estrictamente positivo. Sean q 1 y q 2 las cantidades invertidas en los activos 1 y 2 respectivamente. Dado que el valor de la inversi´ on inicial es cero, en la cuenta corriente tenemos 9.52q 1 4.76q 2 . Calculamos el valor e nuestra cartera en el momento 1 para todos los estados posibles. V 1 (ω1 ) = 10.004q 1 + 1.002q 2
−
−
1.2. MARTINGALAS Y OPORTUNIDADES DE ARBITRAJE J.M.
Corcuera
V 1 (ω2 ) = 5.004q 1 + 1.002q 2 V 1 (ω3 ) = 2.4964q 1 0.998q 2 . Es f´ acil comprobar que hay una regi´ on del plano en la que estas expresiones son las tres positivas al mismo tiempo (ver Figura 1), por tanto hay posibilidad de arbitraje.
−
−
Figura 1
1.2
Martingalas y oportunidades de arbitraje
F
F P (Ω) y P ({ω}) > 0,
Sea (Ω, , P ) un espacio de probabilidad finito. Con = para todo ω. Consideraremos una filtraci´on ( n )0≤n≤N .
F
Definici´ on 1.2.1 Diremos que una sucesi´ on de variables aleatorias X = (X n )0≤n≤N es adaptada si X n es n -medible, 0 n N.
F
≤ ≤
Definici´ on 1.2.2 Una sucesi´ on adaptada (M n )0≤n≤N , diremos que es una submartingala si E (M n+1 martingala si E (M n+1 supermartingala si E (M n+1 para todo 0
|F n) ≥ M n |F n) = M n |F n) ≤ M n
≤ n ≤ N − 1
Observaci´ on 1.2.1 Esta definici´ on se extiende al caso multidimensional componente a componente. Si (M n )0≤n≤N es una martingala es f´ acil ver que E (M n+j F n ) = M n , j 0; E (M n ) = E (M 0 ), n 0 y que si (N n ) es otra martingala, (aM n + bN n ) es otra martingala. Omitiremos el sub´ındice.
|
≥
≥
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
10
Proposici´ on 1.2.1 Sea (M n ) una martingala y (H n ) una sucesi´ on previsible, escribamos ∆M n = M n M n−1 . Entonces la sucesi´ on definida por
−
X 0 = H 0 M 0 n
X n = H 0 M 0 +
H j ∆M j , n
j=1
≥ 1 es una martingala
Demostraci´ on. Basta ver que para todo n E (X n+1
≥ 0
− X n|F n) = E (H n+1∆M n+1|F n) = H n+1E (∆M n+1|F n) = 0
Observaci´ on 1.2.2 La transformaci´ on anterior se llama transformaci´ on de la martingala (M n ) por (H n ). Recordemos que n
˜n (φ) = V 0 (φ) + V
j=1
˜j φj ∆S
·
˜i ) es una martingala, resultar´ ˜n ) es con (φi ) previsible. Entonces si (S a que (V ˜n (φ)) = E (V 0 (φ)) = V 0 (φ). una martingala y en particular E (V Proposici´ on 1.2.2 Un proceso adaptado (M n ) es una martingala si y s´ olo si para cualquier proceso previsible (H n ) tenemos N
E (
H j ∆M j ) = 0
(1.1)
j=1
Demostraci´ on. Supongamos que (M n ) es una martingala entonces por la proposici´on anterior ya est´a. Supongamos que se cumple (1.1) entonces podemos tomar H n = 0, 0 n j, H j +1 = 1A con A j , H n = 0,n > j. Entonces E (1A (M j +1 M j )) = 0
≤ ≤
∈ F
−
− |
como esto es cierto para todo A esto equivale a que E (M j +1 M j F j ) = 0.Ahora lo hacemos para todo j y ya est´a. Teorema 1.2.1 Un mercado es viable (libre de oportunidades de arbitraje) si y s´ olo si existe P ∗ equivalente a P tal que los precios descontados de los activos ˜nj ), j = 1,...,d) son P ∗ - martingalas. ((S Demostraci´ on. Supongamos que existe P ∗ y sea una estrategia ϕ admisible con valor inicial cero, entonces n
˜n = V
i=1
˜i ϕi ∆S
·
1.2. MARTINGALAS Y OPORTUNIDADES DE ARBITRAJE J.M.
Corcuera
es una P ∗ martingala y consecuentemente ˜N ) = 0 E P ∗ (V ˜N 0 resulta que V ˜N = 0 (ya que P ∗ (ω) > 0 para todo ω). Por tanto y como V no hay arbitraje. Supongamos ahora que no hay arbitraje y sea Γ el conjunto de variables estrictamente positivas definidas en Ω (o sea variables no negativas y tales que para alg´ un ω Ω valen mayor que cero). Identificaremos cada variable aleatoria X con el vector de RCard(Ω) (X (ω1 ),..X (ωCard(Ω )). Consideremos el subcon junto, S , compacto y convexo de las variables de Γ tales que X (ωi ) = 1. Sea L = V N (ϕ), ϕ autofinanciada , V 0 (ϕ) = 0 (es claro que L es un subespacio vectorial de RCard(Ω) ). Adem´ as (lo veremos luego) L S = φ. Entonces por el teorema del hiperplano separador existe una aplicaci´on lineal A tal que A(Y ) > 0 para todo Y S y A(Y ) = 0 si Y L. A(Y ) = λi Y (ωi ). Entonces todos los λ i > 0 (ya que A(Y ) > 0 para todo Y S ) y podemos definir
≥
∈
{
}
∈
∈
P ∗ (ωi ) = y para todo φ previsible
∩
∈
λi λi
N
˜ ˜i ) = E P ∗ (V ˜N ) = A(V N ) = 0 φi ∆S λi i=1
E P ∗ (
·
˜ ser´a P ∗ -martingala (proposici´on anterior). con lo que S Veamos que L Γ = φ (y por tanto L S = φ). Supongamos que no, de manera que existe ϕ autofinanciada tal que V N (ϕ) Γ. Entonces a partir de ϕ puedo crear una estrategia de arbitraje: sea
∩
∩
{
n = sup k, V k (ϕ)
≤ −
∈
≥ 0 }
≥
{
}
notemos que n N 1 ya que V N (ϕ) 0. Sea A = V n (ϕ) < 0 , definamos la estrategia autofinanciada tal que para todo i = 1,...,d θji
=
0 1A ϕij
≤
j n j >n
entonces para todo k > n k
˜k (θ) = V
k
˜j = 1A 1A ϕj ∆S
j=n+1
˜k (ϕ) = 1 A V
·
− V ˜n(ϕ)
˜N (θ) > 0 en A. de manera que V
j=1
n
˜j ϕj ∆S
·
− j=1
˜j ϕj ∆S
·
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
12
Observaci´ on 1.2.3 A P ∗ se le suele denominar medida de martingala o probabilidad neutral.
{ }
Ejercicio 1.2.1 Consideremos una sucesi´ on X n n≥1 de variables aleatorias independents y con leyes N (0, σ 2 ). Definimos la sucesi´ on Y n = exp a ni=1 X i nσ 2 , n 1, on a ´es un par´ ametro real, i Y 0 = 1. Para qu´e valores de a la sucesi´ on Y n n≥0 es una martingala (supermartingala) (submartingala)?
≥ { }
−
{ }
Ejercicio 1.2.2 Sea Y n n≥1 una sucesi´ on de variables aleatorias independientes, id´enticamente distribuidas con
−1) = 12 . Escribamos S 0 = 0 i S n = Y 1 + · ·· + Y n si n ≥ 1. Comprobar si son martingalas P (Y i = 1) = P (Y i =
las sucesiones siguientes:
M n(1) =
eθS n , n (cosh θ)n
≥ 0
n
M n(2)
=
M n(3)
k=1 = S n2
sign(S k−1 )Y k , n
≥ 1, M 0(2) = 0
−n
Ejercicio 1.2.3 Consideremos un mercado financiero a tiempo discreto, de dos periodos, con tipos de inter´ es r 0, y un un solo activo con riesgo, S . Supongamos una evoluci´ on de los precios de S del tipo siguiente:
≥
n = 0
n = 1 p2
p1
5 1−p
1
n = 2 9
8 1−p
2
6
p3 4 1−p3
3
a) Encontrar p1 , p2 i p3 , en funci´ on de r para que la lei de probabilidad sea neutral. b) Suponiendo r = 0.1, calcular el valor inicial de un derivado con 2 vencimiento N = 2 y beneficio (payoff) S 1 +S . Encontrar primero la cartera 2 que cubre el riesgo del derivado y ver su valor inicial. Comprobar que este valor coincide con el valor medio, respecte de la probabilidad neutral, del payoff actualizado. Ejercicio 1.2.4 Encontrar las probabilidades neutrales en el mercado del problema 1.1.3 suponiendo que s´ olo est´ a disponible el stock 1. Teorema 1.2.2 (Teorema del hiperplano separador) Sea L un subespacio de n n R y K un subconjunto convexo y compacto de R tal que no interseca L. R tal que φ(x) = 0 para todo Entonces existe un funcional lineal φ : Rn x L y φ(x) > 0 para todo x K.
∈
∈
→
1.2. MARTINGALAS Y OPORTUNIDADES DE ARBITRAJE J.M.
Corcuera
La demostraci´on del teorema se basa en el lema siguiente Lema 1.2.1 Sea C un conjunto convexo y cerrado de Rn que no contiene al R tal que φ(x) > 0 para todo x cero, existe entonces φ : Rn C Demostraci´ on. Sea B(0, r) una bola de radio r y con centro en el origen, tomemos r suficientemente grande para que B(0, r) C = φ. La aplicaci´ on
→
∈
∩
B(0, r)
∩ C →
R+
1/2
n
x
−→ ||x|| =
x2i
i=1
∈ ∩ − ∈
es continua y como est´ a definida en un compacto existir´ a z B(0, r) C tal que z = inf x∈B(0,r)∩C x y deber´ a cumplir que z > 0 ya que C no contiene al origen. Sea ahora x C, como C es convexo λx + (1 λ)z C para todo 0 λ 1. Es obvio que
|| || ≤ ≤
|| || ∈
|| ||
λx + (1 − λ)z ≥ ||z|| > 0, entonces
λ2 x x + 2λ(1
equivalentemente
·
− λ)x · z + (1 − λ)2z · z ≥ z · z,
λ2 (x x + z z) + 2λ(1
·
·
− λ)x · z − 2λz · z ≥ 0,
tomemos λ > 0, entonces
·
· − λ)x · z ≥ 2z · z y pasemos al l´ımite cuando λ → 0, tendremos x · z ≥ z · z > 0, basta entonces tomar φ (x) = x · z. Demostraci´ on. (del teorema) K − L = {u ∈ n , u = k − l, k ∈ K, l ∈ L } es convexo y cerrado. En efecto, sea 0 ≤ λ ≤ 1 y u, ˜ u ∈ K − L λu + (1 − λ)˜u = λk + (1 − λ)k˜ − (λl + (1 − λ)˜l) = ¯k − ¯l donde k¯ ∈ K (por convexidad de K ) y ¯l ∈ L (ya que es un espacio vectorial), luego es convexo. Adem´ as si tomamos una sucesi´ on (un ) ∈ K − L que converge a u, tendremos que un = kn − l n con kn ∈ K, ln ∈ L, esto es ln = kn − u n . Ahora bien, como K es compacto, existir´ a una subsucesi´ on k n que converge a un cierto k ∈ K, as´ı l n converger´ a a k − u, pero como l n es una sucesi´ on convergente en un espacio vectorial cerrado ( d lo es para cualquier d) tendremos que k − u = l ∈ L, de manera que u = k − l ∈ K − L. Ahora K − L no contiene λ(x x + z z) + 2(1
R
r
r
r
R
al origen y por la proposici´ on anterior existir´ a φ lineal tal que φ(k)
− φ(l) > 0, para todo k ∈ K y todo l ∈ L,
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
14
ahora bien como L es un espacio vectorial φ(l) debe ser cero, supongamos que por ejemplo φ(l) > 0, entonces λl L para λ > 0 arbitrariamente grande y tendr´ıamos φ(k) > λφ(l),
∈
lo cual es imposible si φ(k) es finito. Por ´ ultimo como φ(l) = 0 resultar´ a φ(k) > 0 para todo k K.
∈
1.3
Mercados completos y valoraci´ on de opciones
Definiremos opci´on europea (o derivado europeo) a un contrato que tiene una madurez N y que produce un payoff h 0 donde h es N - medible. Por ejemplo 1 1 un call es un derivado con payoff h = (S N K )+ , un put h = (K S N )+ o N 1 1 una opci´on asi´atica h = ( N j=0 S j K )+
≥ − −
F
−
Definici´ on 1.3.1 Un derivado definido por h se dir´ a que es replicable si existe una estrategia admisible φ tal que V N (φ) = h. Proposici´ on 1.3.1 Si φ es una estrategia autofinanciada que replica h y el mercado es viable entonces la estrategia es admisible. ˜ y como existe P ∗ tal que E p∗ (V ˜N (φ) = h ˜N (φ) Demostraci´ on. V ˜n (φ) entonces V ˜n (φ) 0. V
≥
|F n) =
Definici´ on 1.3.2 Un mercado es completo si cualquier derivado es replicable. Teorema 1.3.1 Un mercado viable es completo si y s´ olo si existe una ´ unica medida de probabilidad P ∗ equivalente a P bajo la cual los precios descontados son martingalas Demostraci´ on. Supongamos que el mercado es viable y completo entonces dado h N -medible existe φ admisible tal que V N (φ) = h esto es:
F
N
˜N (φ) = V 0 (φ) + V
j=1
˜j = φj ∆S
·
h 0 , S N
entonces supongamos que existen P 1 y P 2 medidas de martingala, entonces h 0 ) = V 0 (φ) S N h E P 2 ( 0 ) = V 0 (φ) S N E P 1 (
y como esto es cierto para todo h en N = .
F F
F N -medible las dos probabilidades coinciden
´ DE OPCIONES J.M. Corcuera 1.3. MERCADOS COMPLETOS Y VALORACI ON
Supongamos que el mercado es viable e incompleto, veamos que entonces se puede construir m´as de una probabilidad neutral. Sea H el subconjunto de variables aleatorias de la forma N
V 0 +
˜j φj ∆S
·
j=1
con V 0 0 -medible y φ = ((φ1n ,...,φ dn ))0≤n≤N predecible. H es un subespacio vectorial del espacio vectorial, E, formado por todas las variables aleatorias. Adem´ as es no trivial, ya que al ser el mercado incompleto existir´a h tal que h H. Sea P ∗ una medida de martingala en E , podemos definir el producto 0 S n escalar X, Y = E P ∗ (XY ). Sea entonces X una variable ortogonal a H y definamos X (ω) P ∗∗ (ω) = (1 + )P ∗ (ω) 2 X ∞
F
∈
|| ||
entonces tenemos una probabilidad equivalente a P ∗ :
X (ω) )P ∗ (ω) > 0 2 X ∞
P ∗∗ (ω) = (1 +
ya que 1
∈ H
P ∗∗ (ω) =
E P ∗∗ (
j=1
P ∗ (ω) +
E P ∗ (X ) =1 2 X ∞
|| ||
y X es ortogonal a H. Adem´as por esta ortogonalidad
N
|| ||
N
·
φj
˜j ) = E P ∗ ( ∆S
·
φj
j=1
˜j ) + ∆S
E P ∗ (X
N j=1 φj
|| ||∞
2 X
· ∆S ˜j ) = 0
˜ es una P ∗∗ -martingala por la proposici´on (1.2.2). de modo que S
1.3.1
Valoraci´ on y replicaci´ on en mercados completos
≥
Supongamos un derivado con payoff h 0 y que el mercado es viable y completo. Sabemos que existir´a φ admisible tal que V N (φ) = h y si P ∗ es la probabilidad neutral resultar´a que n
˜n (φ) = V 0 (φ) + V
j=1
˜j φj ∆S
·
es una P ∗ -martingala, en particular E P ∗ (
h 0 S N
|F n) = E P ∗ (V ˜N (φ)|F n) = V ˜n(φ)
esto es V n (φ) = S n0 E P ∗ (
h 0 S N
|F n) = E P ∗ ( (1 + r)h N −n |F n)
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
16
por tanto el valor de la cartera que replica h queda determinado por la f´ormula anterior y esto nos dar´a el precio del derivado en n que denotaremos C n , esto es C n = V n (φ). Notemos que si s´olo tenemos un stock con riesgo (d = 1) entonces ˜n C
− C ˜n−1 = φn
˜n ∆S
lo que nos permitir´a calcular la cartera recubridora si tenemos una expresi´on de C en funci´on de S. El modelo binomial de Cox-Ross-Rubinstein (CRR) Supongamos un modelo con un solo stock con riesgo que evoluciona: S n (ω) = S 0 (1 + b)U n (ω) (1 + a)n−U n (ω) donde U n (ω) = ξ 1 (ω) + ξ 2 (ω) + ... + ξ n (ω) y donde las ξ i son variables aleatorias con valores 0 ´o 1, es decir bernoullis y a < r < b : n = 0 n = 1 n = 2... S 0 (1 + b)2 S 0 (1 + b) S 0 S 0 (1 + b)(1 + a) S 0 (1 + a) S 0 (1 + a) 2 Tambi´ en podemos escribir S n = S n−1 (1 + b)ξn (1 + a)1−ξn (ω) Entonces ˜n = S 0 S
U n
1+b 1+r
1+a 1+r
n U n
−
˜n−1 = S
ξn
1+b 1+r
1+a 1+r
1 ξn
−
˜n sea martingala respecto de una P ∗ necesitamos que para que S ˜n E P ∗ (S y si tomamos
|F n−1) = S ˜n−1
F n = σ(S 0, S 1,...,S n) tendremos que lo anterior equivale a ξn
1+b E P ∗ ( 1+r
1+a 1+r
1 ξn
−
|F n−1) =1
esto es
1+b 1+r
1+a P ∗ (ξ n = 1|F n−1 ) + P ∗ (ξ n = 0|F n−1 ) = 1 1+r
´ DE OPCIONES J.M. Corcuera 1.3. MERCADOS COMPLETOS Y VALORACI ON
o lo que es lo mismo
|F n−1) = rb −− aa , b−r P ∗ (ξ n = 0|F n−1 ) = 1 − P ∗ (ξ n = 1|F n−1 ) = b−a P ∗ (ξ n = 1
Notemos que esta probabilidad es determinista y no depende de n, por tanto bajo ella las ξ i , i = 1,...,N son variables independientes e id´enticamente dis−a . Adem´as P ∗ es u´ nica con tribuidas con distribuci´on Bernoulli( p) con p = rb− a lo que el mercado es viable y completo. As´ı bajo la probabilidad neutral P ∗ S N = S n (1 + b)ξn+1 +...+ξN (1 + a)N −n−(ξn+1 +...+ξN ) = S n (1 + b)W n,N (1 + a)N −n−W n,N
−
con W n,N ∼Bin(N n, p) que es independiente de S n , S n−1 , ...S 1 . Como tenemos la probabilidad neutral podemos calcular el precio de un call en el instante n C n = E P ∗ = E P ∗ N n
−
(S N K )+ (1 + r)N −n
|F n
(S n (1 + b)W n,N (1 + a)N −n−W n,N (1 + r)N −n
− (S (1 + b)k (1 + a)N −n−k − K ) n + = − N n (1 + r)
k=0
−
N n
= S n
− n
−
N
N
k
k=k∗
N n
n N
− K (1 + r) −
k=k∗
− K )+ |F n
− n
N
k
pk (1
( p(1 + b))k ((1 p)(1 + a))N −n−k (1 + r)N −n
−
− n
pk (1
k
− p)N −n−k
donde k∗ = inf k, S n (1 + b)k (1 + a)N −n−k > K
{ } log S K − (N − n) log(1 + a) } = inf {k,k > log( 1+b ) n
1+a
Notemos que p(1 + b) (1 + 1+r
− p)(1 + a) = 1 1+r
de manera que si definimos p = ¯
p(1 + b) 1+r
− p)N −n−k
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
18 podemos escribir N n
C n = S n
−
− n
N
p¯k (1
k
k=k∗
N n
− K (1 + r) −
−
n N
k=k∗
¯ N −n−k − p)
− n
N
pk (1 p)N −n−k
k
−
− n, ¯ p) ≥ k ∗} − K (1 + r)n−N Pr{Bin(N − n, p) ≥ k ∗}
{
= S n Pr Bin(N
Cartera recubridora en el modelo CRR Tenemos que
V n = φ0n (1 + r)n + φ1n S n . Fijado S n−1 , S n puede tomar dos valores S nu = S n−1 (1 + b) ´o S nd = S n−1 (1 + a) y an´alogamente V n . Entonces φ1n =
V nu V nd . S n−1 (b a)
φ0n =
V nu φ1n S nu (1 + r)n
y
−
−
(1.2)
−
En el caso de un CALL, si tomamos n = N tendremos: φ1N
u d V N V N (S N −1 (1 + b) = = S N −1 (b a)
−
−
− K )+ − (S N −1(1 + a) − K )+ . S N −1 (b − a)
podemos ahora calcular por la condici´on de autofinanciaci´ o n el valor de la cartera en N 1:
−
V N −1 = φ0N (1 + r)N −1 + φ1N S N −1 y de aqu´ı φ 1N −1 volviendo a utilizar (1.2). Ejemplo 1.3.1 El siguiente es un ejemplo de programa en Mathematica para calcular el valor de un call y un put en un modelo CRR con los datos: S 0 = 100 eur., K = 100 eur. b = 0.2, a = 0.2, r = 0.02, n = 4 periodos.
−
Clear[s, call, pu]; s[0] = Table[100, {1}]; a = -0.2; b = 0.2; r = 0.02; n = 4; p = (r - a)/(b - a); s[x_] := s[x] = Prepend[(1 + a)*s[x - 1], (1 + b)*s[x - 1][[1]]]; ColumnForm[Table[s[i], {i, 0, n}], Center]
´ DE OPCIONES J.M. Corcuera 1.3. MERCADOS COMPLETOS Y VALORACI ON
pp[x_] := Max[x, 0] call[n] = Map[pp, s[n] - 100]; pu[n] = Map[pp, 100 - s[n]]; call[x_] := call[x] = Drop[p*call[x + 1]/(1 + r) + (1 - p)*RotateLeft[call[x + 1], 1]/(1 + r), -1] ColumnForm[Table[call[i], {i, 0, n}], Center] pu[x_] := pu[x] = Drop[p*pu[x + 1]/(1 + r) + (1 - p)*RotateLeft[pu[x + 1], 1]/(1 + r), -1] ColumnForm[Table[pu[i], {i, 0, n}], Center]
Ejemplo 1.3.2 C´ alculo, utilizando un modelo CRR con 91 periodos con a = b, del valor de un call europeo, en el instante inicial, sobre una acci´ on de Telef´ onica.
−
• Madurez: tres 3 meses (91 d´ıas = n) ( T = 91/365). • Precio actual de telef´ onica 15,54 euros. • Precio de ejercicio (strike) 15.54 euros. • Tipo de inter´es 4.11 % anual. • Volatilidad anual: 23,20% ( b2=volatilidad 2 × T /n) Clear[s, c]; n = 91; so = 15.54; K = 15.54; vol = 0.232; T = 91/365; r = 0.0411*T/n; b =vol*Sqrt[T/n]; a =-b; p = (r - a)/(b - a); q = 1 - p; s[0] = Table[so, {1}]; s[x_] := s[x] = Prepend[(1 + a)*s[x - 1], (1 + b)*s[x - 1][[1]]]; pp[x_] := Max[x, 0]; c[n] = Map[pp, s[n] - K]; c[x_] := c[x] = Drop[p*c[x + 1]/(1 + r) + q*RotateLeft[c[x + 1], 1]/(1 + r), -1]; c[0][[1]]
Ejercicio 1.3.1 Consideremos un mercado financiero de dos periodos, con tipo de inter´es r = 0, y con un solo activo con riesgo S 1 . Supongamos que S 01 = 1 y para n = 1, 2, S n1 = S n1 −1 ξ n , donde las variables ξ 1 , ξ 2 son independientes, y toman dos valores diferentes: 2, 34 , con la misma probabilidad. a) ¿¿Es un
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
20
mercado viable? ¿¿Es un mercado completo? Encontrar el precio de una opci´ on 1 europea con madurez N = 2 y payoff max0≤n≤2 S n . Encontrar tambi´en una cartera recubridora de esta opci´ on. amos ahora que en este mercado tenemos tambi´ en un segundo activo con riesgo 2 2 S n tal que S 0 = 1 y para n = 1, 2 S n2 = S n2 −1 ηn , donde las variables ηn toman los tres valores diferentes 2, 1, independientes y
1 2,
η1 y η2 son
|
P (ηn = 2 ξ n = 2) = 1, 3 1 P (ηn = 1 ξ n = ) = , 4 3 1 3 2 P (ηn = ξ n = ) = , 2 4 3
| |
de manera que el vector (ξ n , ηn ) toma solo los valores (2, 2), ( 34 , 1), ( 34 , 12 ) con probabilidades 21 , 61 , 31 . b) Demostrar que los dos activos S n1 , S n2 forman un mercado viable y completo y calcular la probabilidad neutra. ¿Se puede saber cu´ al ser´ a el precio de la opci´ on europea del apartado a) anterior sin hacer ning´ un c´ alculo? ¿Por qu´e?
→L { ≤ } → { ≤ }
Ejercicio 1.3.2 Demostrar que si X n X, X absolutamente continua, y ¯ an a R, entonces P X n a n P X a .
→ ∈
{
→n ∞
} →
Ejercicio 1.3.3 Sea X nj , j = 1,...,k n , n 1 , donde kn , un sistema triangular de variables aleatorias centradas e independientes, fijado n, −1/2 kn 2 con X nj = O(kn ), y tales que j=1 E (X nj ) σ 2 > 0, demostrar que S n =
kn j=1 X nj
→L N (0, σ2).
Ejercicio 1.3.4 Supongamos ahora una sucesi´ on de modelos binomiales CRR donde el n´ umero de periodos depende de n y tales que 1 + r(n) = e
rT n
, √ 1 + b(n) = e σ , √ −σ T n
T n
1 + a(n) = e
,
Demostrar que para n suficientemente grande los mercados son viables. Calcular el precio l´ımite de un call en el instante inicial cuando n .
→∞
Ejercicio 1.3.5 Considerar el mismo problema que en el caso anterior pero con 1 + b(n) = eτ , T
1 + a(n) = eλ n , donde τ > 0 y 0 < λ < r.
´ A LAS OPCIONES AMERICANAS 1.4. INTRODUCCI ON
1.4
J.M. Corcuera
Introducci´ on a las opciones americanas
Una opci´on americana se puede ejercer en cualquier momento entre 0 y N, y definiremos entonces una sucesi´on positiva (Z n ) adaptada a ( n ) para indicar el beneficio inmediato de ejercer la opci´on en n. En el caso de un call americano Z n = (S n K )+ y en el caso de un put americano Z n = (K S n )+ . Para definir el precio, U n , en el instante n, de la opci´on americana procederemos por inducci´ on hacia atr´as. Obviamente U N = Z N . En el instante N 1, el poseedor de la opci´on puede optar entre recibir Z N −1 o la cantidad ”equivalente” a Z N en el instante Z N −1 es decir la cantidad que permite replicar Z N en N 1, 0 que ser´a S N Z N N −1 ) (suponemos que estamos en un mercado viable y −1∗E P ∗ ( ˜ completo y P es la probabilidad neutral). Obviamente optar´a entre el m´aximo de las dos cantidades anteriores, de manera que es natural definir
F − −
−
−
|F
0 U N −1 = max(Z N −1 , S N Z N −1 E P ∗ ( ˜
|F N −1))
y por inducci´on hacia atr´as ˜n+1 U n = max(Z n , S n0 E P ∗ (U
|F n))
´o an´alogamente ˜n = max( ˜ ˜n+1 U Z n , E P ∗ (U
|F n)), 0 ≤ n ≤ N − 1
˜n ) es la m´ Proposici´ on 1.4.1 La sucesi´ on (U as peque˜ na P ∗ -supermartingala que domina la sucesi´ on ( ˜ Z n ) ˜n ) es adaptada y por construcci´on Demostraci´ on. Evidentemente ( U ˜n+1 E P ∗ (U
|F n) ≤ U ˜n.
˜n ), entonces T N ˜N = U ˜N . Sea (T n ) otra supermartingala que domina ( Z Z ˜n+1 entonces por la monoton´ıa de la esperanza y Supongamos que T n+1 U puesto que (T n ) es supermartingala ˜n+1 n ) T n E P ∗ (T n+1 n ) E P ∗ (U
≥
≥
≥
|F ≥
|F
adem´ as (T n ) domina a ( ˜ Z n ) por tanto
≥ max( ˜Z n, E P ∗ (U ˜n+1|F n)) = U ˜n
T n
Observaci´ on 1.4.1 Si ejercemos la opci´ on en el instante n, recibimos Z n y el valor de esto en el instante inicial es V 0 = E P ∗ ( ˜ Z n
|F 0), como se puede ejercer en cualquier instante {0, 1,..,N } uno se pregunta si U 0 = sup E P ∗ ( ˜ Z ν |F 0 ), ν donde ν es un tiempo aleatorio tal que la decisi´ on de parar en n se toma en base a la informaci´ on en n. Esto es ν = n n . La respuesta, como veremos m´ as adelante, es afirmativa.
{
} ∈ F
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
22
1.4.1
El problema de la parada ´ o ptima y las opciones americanas
{
}
Definici´ on 1.4.1 Una variable aleatoria ν que toma valores en 0, 1,...,N es un tiempo de paro si
{ν = n} ∈ F n, 0 ≤ n ≤ N { ≤ n} ∈
Observaci´ on 1.4.2 Equivalentemente ν es un tiempo de paro si ν 0 n N , definici´ on que se puede extender al caso continuo. n,
F
≤ ≤
Vamos a introducir el concepto de sucesi´on ”parada” por un tiempo de paro. Sea (X n ) un proceso adaptado y ν un tiempo de paro, entonces definimos X nν = X n∧ν para todo n. Notemos que X nν (ω) =
X n X ν (ω)
≤
si n ν (ω) si n > ν (ω)
Proposici´ on 1.4.2 Sea (X n ) adaptado, entonces (X nν ) es adaptado y si (X n ) es una martingala (sup, super), entonces (X nν ) es una martingala (sub, super).
∧
n ν
X nν
= X n∧ν = X 0 + n
= X 0 +
j=1
− X j−1)
(X j
j=1
1{j ≤ν } (X j
− X j−1),
{ ≤ } { ≤ − } ∈ F
F
pero j ν = ν j 1 j −1 con lo que 1 {j ≤ν } es j −1 -medible y la ν sucesi´ on (φj ) con φ j = 1 {j ≤ν } es previsible. Obviamente X n es n -medible y ν E (X n+1
− X nν |F n) = E (1{n+1≤ν }(X n+1 − X n)|F n) = 1 {n+1≤ν } E (X n+1
super n ) ≶ 0 si (X n ) es martingala sub
− X n|F
Envoltura de Snell Sea (Y n ) un proceso adaptado (a (
F n)), definamos
X N = Y N X n = max(Y n , E (X n+1
F
|F n)), 0 ≤ n ≤ N − 1
diremos que (X n ) es la envoltura de Snell de ( Y n ).
´ A LAS OPCIONES AMERICANAS 1.4. INTRODUCCI ON
J.M. Corcuera
˜n ), la sucesi´ Observaci´ on 1.4.3 Notemos que (U on de precios actualizados de las opciones americanas es la envoltura de Snell de la sucesi´ on de payoffs actu ˜n ). alizados (Z Observaci´ on 1.4.4 Por una proposici´ on anterior la envoltura de Snell de un proceso adaptado es la menor supermartingala que lo mayora. Observaci´ on 1.4.5 Fijado ω si X n es estrictamente mayor que Y n , X n = E (X n+1 n ) con lo que X n se comporta hasta ese n como una martingala, esto indica que si ”paramos” adecuadamente X n podemos conseguir que sea martingala.
|F
Proposici´ on 1.4.3 La variable
{ ≥ 0, X n = Y n}
ν = inf n
es un tiempo de paro y (X nν ) es una martingala. Demostraci´ on.
{ν = n} = {X 0 > Y 0} ∩ ... ∩ {X n−1 > Y n−1} ∩ {X n = Y n} ∈ F n. Adem´ as
n
X nν
= X 0 +
j=1
manera que ν X n+1
− X j−1)
1{j ≤ν } (X j
− X nν = 1{n+1≤ν }(X n+1 − X n)
y ν E (X n+1
− X nν |F n) = 1{n+1≤ν }E (X n+1 − X n|F n) 0 si ν ≤ n ya que el indicador es cero =
0
si ν > n ya que entonces X n = E (X n+1
|F n)
Escribiremos τ n,N para indicar los tiempos de paro a valores en 1,...,N .
}
Corolario 1.4.1
|F 0) = τ ∈sup τ
X 0 = E (Y ν
0,N
|F 0)
E (Y τ
Demostraci´ on. (X nν ) es una martingala y por tanto ν X 0 = E (X N = E (X ν
|F 0) = E (X N ∧ν |F 0) |F 0) = E (Y ν |F 0).
{ n, n +
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
24
Por otro lado (X n ) es supermartingala y por tanto ( X nτ ) tambi´en lo es para todo τ τ 0,N de manera que
∈
≥ E (X N τ |F 0) = E (X τ |F 0) ≥ E (Y τ |F 0),
X 0 por tanto
|F 0) ≥ E (X τ |F 0), ∀τ ∈ τ 0,N
E (X ν
Observaci´ on 1.4.6 An´ alogamente se podr´ıa demostrar que X n = E (Y ν n
|F n) = τ ∈sup τ
|F n),
E (Y τ
n,N
donde
{ ≥ n, X j = Y j }
ν n = inf j
Definici´ on 1.4.2 Un tiempo de paro ν se dir´ a que es ´ optimo para la sucesi´ on (Y n ) si E (Y v 0 ) = sup E (Y τ 0 ).
|F
|F
τ τ 0,N
∈
{
}
Observaci´ on 1.4.7 El tiempo de paro ν = inf n, X n = Y n (donde X es la envoltura de Snell de Y ) es entonces un tiempo de paro ´ optimo para Y . Veamos que es el m´ as peque˜ no de los tiempos de paro ´ optimos. El siguiente teorema nos da una caracterizaci´ on de los mismos. Teorema 1.4.1 τ es un tiempo de paro ´ optimo si y s´ olo si
X τ = Y τ (X nτ )
es una martingala
Demostraci´ on. Si (X nτ ) es una martingala y X τ = Y τ τ X 0 = E (X N = E (X τ
|F 0) = E (X N ∧τ |F 0) |F 0) = E (Y τ |F 0).
Por otro lado para todo tiempo de paro π, (X nπ ) es una supermartingala, manera que π X 0 E (X N E (Y π 0 ). 0 ) = E (X π 0)
≥
|F
|F ≥
|F
|
Rec´ıprocamente, sabemos, por el colorario anterior, que X 0 = supτ ∈τ 0,N E (Y τ F 0 ). Entonces si τ es ´optimo
|F 0) ≤ E (X τ |F 0) ≤ X 0,
X 0 = E (Y τ
donde la ´ultima desigualdad se debe a que ( X nτ ) es una supermartingala. Tenemos as´ı que E (X τ Y τ 0 ) = 0
− |F
´ A LAS OPCIONES AMERICANAS 1.4. INTRODUCCI ON
J.M. Corcuera
− ≥
y como X τ Y τ 0, resulta que X τ = Y τ (casi seguramente, pero nuestro espacio de probabilidad no tiene subconjuntos de probabilidad cero distintos del vac´ıo). Veamos tambi´en que (X nτ ) es martingala. Sabemos que es supermartingala, entonces
≥ E (X nτ |F 0) ≥ E (X N τ |F 0) = E (X τ |F 0) = X 0
X 0
por lo visto antes. Por tanto, para todo n E (X nτ
− E (X τ |F n)|F 0) = 0,
pero por otro lado, ya que (X nτ ) es supermartingala, X nτ
≥ E (X N τ |F n) = E (X τ |F n) de manera que X nτ = E (X τ |F n ). Descomposici´ on de supermartingalas Proposici´ on 1.4.4 Cualquier supermartingala (X n ) tiene una descomposici´ on unica: ´ X n = M n An
−
donde (M n ) es una martingala y (An ) es no-decreciente, previsible y nulo en cero. Demostraci´ on. Basta escribir n
X n =
n
− E (X j |F j−1))
(X j
j=1
− j=1
(X j −1
− E (X j |F j−1)) + X 0
e identificar n
M n =
An =
− E (X j |F j−1)) + X 0,
(X j
j=1 n j=1
(X j −1
− E (X j |F j−1))
donde definimos M 0 = X 0 y A 0 = 0. Entonces (M n ) es una martingala: M n
− M n−1 = X n − E (X n|F n−1),
1
≤ n ≤ N
de manera que E (M n
− M n−1|F n−1) = 0, 1 ≤ n ≤ N.
Por u ´ ltimo como (X n ) es supermartingala An
− An−1 = X n−1 − E (X n|F n−1) ≥ 0, 1 ≤ n ≤ N.
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
26 Veamos la unicidad. Si M n
− An = M n − An,
0
≤ n ≤ N
M n
− M n = An − An,
0
≤ n ≤ N,
tendremos pero entonces como (M n ) y (M n ) son martingalas y (An ) y (An ) previsibles, resulta que An−1
− An−1 = M n−1 − M n −1 = E (M n − M n |F n−1) = E (An − An |F n−1 ) = A n − An , 1 ≤ n ≤ N,
esto es
− AN = AN −1 − AN −1 = ... = A0 − A0 = 0,
AN
ya que por hip´otesis A 0 = A0 = 0. Esta descomposici´on se conoce con el nombre de descomposici´on de Doob. Proposici´ on 1.4.5 El mayor tiempo de paro ´ optimo para (Y n ) est´ a dado por ν max =
N inf n, An+1 > 0
{
}
si A N = 0 si A N > 0
,
donde (X n ), envoltura de Snell de (Y n ), tiene la descomposici´ on de Doob X n = M n An .
−
{ν max = n } = {A1 = 0, A2 = 0,...,A n = 0, An+1 > 0 } ∈ 0 ≤ n ≤ N − 1, {ν max = N } = {AN = 0} ∈ F N −1 . Por tanto es un tiempo de paro. X nν = X n∧ν = M n∧ν − An∧ν = M n∧ν Demostraci´ on.
F n,
max
max
max
max
max
ya que A n∧ν max = 0. De esta manera (X nν max ) es martingala. Por tanto para ver que es ´optimo nos falta probar que X νm ax = Y νmax N 1
X νm ax =
−
j=1
1{ν max =j } X j + 1{ν max =N } X N
N 1
=
−
j=1
{
1{ν max =j } max(Y j , E (X j +1
|F j )) + 1{ν
} Y N ,
max =N
}
ahora bien en ν max = j , A j = 0, Aj+1 > 0 de manera que E (X j +1
|F j ) = E (M j+1|F j ) − Aj+1 < E (M j+1|F j ) = M j = X j
´ A LAS OPCIONES AMERICANAS 1.4. INTRODUCCI ON
{
J.M. Corcuera
}
por tanto X j = Y j en ν max = j y consecuentemente X ν max = Y νm ax . Veamos por u ´ ltimo que es el tiempo de paro ´optimo mayor posible. Sea τ ν max y P τ > ν max > 0. Entonces
{
≥
}
−
E (X τ ) = E (M τ ) E (Aτ ) = E (M 0 ) = X 0 E (Aτ ) < X 0
−
− E (Aτ )
y por tanto (X τ ∧n ) no puede ser martingala.
1.4.2
Aplicaci´ on a opciones americanas
Otra expresi´ on para el precio de opciones americanas Ya vimos que el precio de una opci´on americana con payoffs (Z n ) venia dado por
U N = Z N U n = max(Z n , S n0 E P ∗ (U n+1
|F n))
si n
≤ N − 1.
˜n ) es la envoltura Dicho de otra manera, la sucesi´on de los precios actualizados ( U de Snell de la sucesi´on de payoffs actualizados ( ˜ Z n ). Los resultados anteriores nos permiten afirmar entonces que ˜n = sup E P ∗ (Z ˜τ U
|F n),
∈
τ τ n,N
o equivalentemente U n = S n0 sup E P ∗ ( τ τ n,N
∈
Z τ S τ 0
|F n).
Recubrimiento (”hedging”) en el caso de opciones americanas Sabemos por los resultados anteriores que podemos descomponer ˜n = M ˜n U
− A˜n
˜ n ) es una P ∗ -martingala y ( A ˜n ) es un proceso creciente y previsible donde (M que se anula en n = 0. Si recibimos U 0 podemos construir una cartera autofinanciada que replique M N (la relaci´on entre los procesos con tilde y sin tilde es c´omo siempre). En efecto, como el mercado es completo, cualquier payoff positivo (asumimos que (Z n ) 0), se puede replicar, de manera que existir´a φ tal que V N (φ) = M N
≥
o lo que es lo mismo
˜N (φ) = M ˜ N V
˜n (φ)) y (M ˜ n ) son P ∗ -martingalas de manera que V ˜n (φ) = M ˜ n, 0 pero (V N. Notemos entonces que U n = M n
− An = V n(φ) − An
≤ n ≤
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
28 y por tanto
≥ U n.
V n (φ) = U n + An
Es decir con el dinero que recibimos podemos ”superrecubrir” el valor del derivado. Ejercicio ´ optimo de la opci´ on americana Supongamos que compramos la opci´on americana y queremos saber cu´ ando ejercer la opci´on. Es decir queremos saber qu´e tiempo de paro τ utilizar. Si τ es tal que U τ (ω) (ω) > Z τ (ω) (ω) no tiene inter´es ejercer la opci´on pues su valor U τ (ω) (ω) es superior a lo que vamos a obtener si la ejercemos: Z τ (ω) (ω). Por ˜τ = Z ˜τ . Por otro lado buscaremos que An = 0, tanto, buscaremos τ tal que U para todo 1 n τ, (o equivalentemente Aτ = 0) ya que si no, a partir de alg´ un momento ser´ıa mejor ejercer la opci´on y construir la cartera de valores ˜nτ ) es una P ∗ -martingala φ. De manera que V τ ∧n (φ) = U τ ∧n , pero entonces ( U ˜τ = Z ˜τ son las dos condiciones para que τ sea un tiempo de y esto junto con U ˜ paro ´optimo para ( Z n ). Notemos que desde el punto de vista del vendedor, si el comprador no ejerce la opci´on en un tiempo de paro ´optimo entonces `o bien U τ > Z τ `o Aτ > 0 en ambos casos, como el vendedor ha invertido la prima en construir una cartera de valores con la estrategia φ, tendr´a por beneficio
≤ ≤
V τ (φ)
− Z τ = U τ + Aτ − Z τ > 0.
Ejemplo 1.4.1 Calculo del precio de una opci´ on americana de venta a tres meses sobre acciones, cuando el precio de ejercicio es de 60 euros, el tipo de inter´ es 10% anual y la volatilidad 45% anual utilizando un modelo CRR con doce periodos. Se analiza tambi´en en qu´e nodos conviene ejercer la opci´ on. Clear[s, pa, vc, vi]; T = 1/4;n =12;so = 60;K = 60;vol = 0.45;ra = 0.10; r = ra*T/n;b =vol*Sqrt[T/n];a=-b; p = (r - a)/(b - a); q = 1 - p; pp[x ] := Max[x, 0] s[0] = Table[so, 1 ]; s[x ] := s[x] = Prepend[(1 + a)*s[x - 1], (1 + b)*s[x - 1][[1]]]; ColumnForm[Table[s[i], i, 0, n ], Center] pa[n] = Map[pp, K - s[n]]; pa[x ] := pa[x] = K - s[ x] + Map[pp, Drop[p*pa[x + 1]/(1 + r) + q*RotateLeft[pa[x + 1], 1]/(1 + r), -1] - K + s[x]] ColumnForm[Table[pa[i], i, 0, n ], Center] vc[n] = Map[pp, K - s[n]]; vc[x ] := Drop[p*pa[x + 1]/(1 + r) + q*RotateLeft[pa[x + 1], 1]/(1 + r), -1]
{ }
{
{
}
}
´ A LAS OPCIONES AMERICANAS 1.4. INTRODUCCI ON
J.M. Corcuera
vi[i ] := Table[Map[pp, K - s[i]]] ColumnForm[Table[vc[i] - vi[i], i, 0, n ], Center] ColumnForm[Table[pa[i] - vi[i], i, 0, n ], Center]
{ {
} }
Ejercicio 1.4.1 Obtener las siguientes cotas parar los precios de los ”calls” ( C ) y los ”puts” ( P ) de las opciones europeas ( E ) y americanas ( A):
− K, 0) ≤ C n(E ) ≤ C n(A); max(0, (1 + r)−(N −n) K − S n ) ≤ P n (E ) ≤ (1 + r)−(N −n) K max(S n
Ejercicio 1.4.2 Consideremos un mercado viable y completo con N periodos de negociaci´ on. Demostrar que, con las notaciones habituales, sup τ , temps d’atur
E Q
−
(S τ K )+ (1 + r)τ
= E Q
−
(S N K )+ (1 + r)N
donde Q es la probabilidad neutral. Ejercicio 1.4.3 Sea C nE N on europea con ”payoff ” n=0 el precio de una opci´ N Z N y sean Z n n=0 los ”payoffs” de una opci´ on americana . Demostrar que si C nE Z n , n = 0, 1,...,N 1, entonces C nA N on n=0 (los precios de la opci´ E N americana) coinciden con C n n=0 .
≥
{ }
{ }
−
{ }
{ }
≥
Ejercicio 1.4.4 Sea X n = ξ 1 + ξ 2 + ... + ξ n , n 1, donde las ξ i son iid tales que P (ξ i = 1) = P (ξ i = 1) = 1/2. Encontrar la descomposici´ on de Doob de X .
| |
−
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
30
1.5
Modelos a tiempo continuo
Vamos a considerar modelos a tiempo continuo y aunque las ideas fundamentales son las mismas, los aspectos t´ecnicos son mas delicados. La raz´on principal para considerar modelos a tiempo continuo es que no dependemos del incremento de tiempo entre negociaci´on y negociaci´o n y que podemos dar f´ormulas cerradas. Fue Louis Bachelier en 1900 con su ”Th´eorie de la sp´ eculation” el primero en considerar un movimiento browniano y en derivar f´ ormulas para los precios de opciones. Daremos unas cuantas definiciones y resultados para entender los modelos a tiempo continuo. En particular, definiremos el movimiento browniano, que constituye el n´ucleo del modelo de Black-Scholes. Posteriormente daremos el concepto de martingala a tiempo continuo y el c´alculo diferencial asociado, es decir el c´alculo de Itˆo. Definici´ on 1.5.1 Un proceso estoc´ astico es una familia de variables aleatorias reales (X t )t∈R+ definidas en un espacio de probabilidad (Ω, , P ).
F
Observaci´ on 1.5.1 En la pr´ actica, el ´ındice t indicar´ a el tiempo, y tomaremos siempre sus valores entre 0 y T . Observaci´ on 1.5.2 Un proceso tambi´en puede ser considerado como una aplicaci´ on aleatoria: para todo ω Ω podemos asociar la aplicaci´ on de R+ a R: t X t (ω) llamada ”trayectoria” del proceso. Es decir el proceso ser´ıa una aplicaci´ on de Ω en el conjunto de funciones reales. Si las trayectorias son continuas se dice que el proceso es continuo.
∈
−→
Observaci´ on 1.5.3 Un proceso estoc´ astico tambi´en puede ser visto como una aplicaci´ on de R+ Ω en R. Supondremos en R+ Ω la σ-´ algebra (R+ ) y que la aplicaci´ on es siempre medible (proceso medible), que es un poco m´ as fuerte que la condici´ on de ser simplemente proceso (aunque si por ejemplo el proceso X es continuo por alg´ un lado entonces existe una versi´on, Y , del mismo (es decir P (X t = Y t ) = 1, para todo t) es medible).
×
×
F
B
⊗ F
F
Definici´ on 1.5.2 Sea (Ω, , P ) un espacio de probabilidad, una filtraci´ on ( t )t≥0 es una familia creciente de sub-σ-´ algebras de . Diremos que un proceso (X t ) es adaptado si para todo t, X t es t -medible.
F
F
Observaci´ on 1.5.4 Trabajaremos con filtraciones que tienen la propiedad
∈ F y P (A) = 0 entonces A ∈ F t para todo t. Es decir F 0 contiene a los conjuntos P -nulos de F . La importancia de esto es que si X = Y c.s. y X es (F t )-medible entonces Y es (F t )-medible. As´ı si Si A
un proceso (X t ) es adaptado e (Y t ) es otra version del mismo entonces (Y t ) es adaptado.
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
Observaci´ on 1.5.5 Podemos construir la filtraci´ on generada por un proceso (X t ) y escribir t = σ(X s , 0 s t). En general esta filtraci´ on no satisface la condici´ on anterior y substituiremos t por ¯t = t donde es la colecci´ on de conjuntos de probabilidad cero de . Le llamaremos la filtraci´ on natural generada por (X t ). Salvo que digamos lo contrario ser´ a la que consideraremos.
F
≤ ≤
F F F ∨N F
N
El movimiento browniano es el movimiento aleatorio que se observa en algunas part´ıculas microsc´opicas que se hallan en un medio fluido (por ejemplo polen en una gota de agua). Recibe su nombre en honor a Robert Brown quien lo describe en 1828. El movimiento aleatorio de estas part´ıculas se debe a que su superficie es bombardeada incesantemente por las mol´ eculas del fluido sometidas a una agitaci´ on t´ermica. La descripci´on matem´atica del fen´omeno fue elaborada por Albert Einstein en 1905. En los a˜nos 20 Norbert Wiener dio una caracterizaci´on del movimiento browniano como proceso estoc´astico y tambi´en se le conoce como proceso de Wiener. Vamos a considerar el caso unidimensional. Definici´ on 1.5.3 Diremos que (X t )t≥0 es un proceso con incrementos independientes si para cualesquiera 0 t 1 < ... < t n , X t1 , X t2 X t1 ,...,X tn X tn−1 son independientes.
≤
−
−
Definici´ on 1.5.4 Un movimiento browniano es un proceso continuo con incrementos independientes y estacionarios. Esto es:
• P -c.s s −→ X s(ω) es continua. • Si s ≤ t, X t − X s es independiente de F s = σ(X u , 0 ≤ u ≤ s). • Si s ≤ t, X t − X s X t−s − X 0. Se deduce que la ley de X t − X 0 es gaussiana: ∼
Teorema 1.5.1 Si (X t ) es un movimiento browniano entonces X t
− X 0
∼
N (rt,σ 2 t)
Proposici´ on 1.5.1 Si (X t ) es un proceso con incrementos independientes, continuo y 0 = t 0n t 1n ... t nn t es una sucesi´ on de particiones de [0, t] con limn→∞ sup tin ti−1,n = 0, entonces para todo ε > 0
≤ ≤ ≤ ≤ | − | n
→∞ i=1 P {|X tin − X ti−1,n | > ε} = 0.
lim
n
Demostraci´ on. Tendremos que para todo ε > 0
{i |
− X t − | > ε} = 0,
lim P sup X tin
→∞
n
i
1,n
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
32 pero
|
− X t − | > ε
P sup X tin i
i
1,n
n
=1
− −
{|
=1
− X t − | ≤ ε}
P X tin
i=1 n
(1
i=1
i
1,n
− P {|X t − X t − | > ε}) in
i
1,n
n
{−
≥ 1 − exp {
{|
}
− X t − | > ε}} ≥ 0
P X tin
i=1
i
1,n
Proposici´ on 1.5.2 Sea Y kn , k = 1,...,n variables independientes y tales que Y kn εn con εn 0. Entonces si liminf V ar( nk=1 Y kn ) > 0
| |≤
↓
n k=1 Y kn
− E (
V ar(
n k=1 Y kn )
n k=1
Y kn )
Demostraci´ on. Escribamos X kn = Y kn 1 log E (exp it vn
{
n
−
= log(
}
X kn )
k=1
E (exp it
X kn )) = vn
n 2 k=1 E (X kn ) vn2
1 2 t 2 1 2 εn t + O( ), 2 vn
−
= ya que
n 3 k=1 E (X kn ) vn3
− E (Y kn) y v n2 = V ar(
n
i=1
=
→ N (0, 1)
n
log(E (exp it
i=1
−
≤ 2εn
n 2 k=1 E (X kn ) vn3
Observaci´ on 1.5.6 Notemos que si liminf V ar( que
nr k=1 Y kn
− E (
P nr 0 para k=1 Y kn )
→
X kn )) vn
n 3 k=1 E (X kn ) vn3
i 3 t 3!
+ ...
.
n k=1 Y kn )
n k=1 Y kn )
= 0 tendremos
cierta subsucesi´ on.
≤ ≤ ... ≤ tnn ≤ t
Demostraci´ on. (Teorema) Dada la partici´o n 0 = t 0n t 1n definamos Y nk = (X tkn X tk−1,n )1{|Xtkn −Xtk−1,n |≤εn } ,
−
entonces, por la primera proposici´on, despu´es de una peque˜ na modificaci´on (aqu´ı ε depende de n), n
P (X t
− X 0 =
k=1
n
Y nk )
≤
k=1
|
P ( X tkn
− X t − | > εn) n →∞ → 0. k
1,n
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO P n X t k=1 Y nk n k=1 Y kn ) > 0,
Por tanto liminf V ar(
→ − X 0. Por otro lado, por la segunda proposici´on, si n k=1
− Y kn
E (
Y kn )
n k=1 Y kn )
V ar(
− −
n k=1
→ N (0, 1)
con lo que X t X 0 tiene una ley normal (o es una constante). Resultar´a que la ley de cualquier incremento es normal. Entonces si tomamos como definici´on de r, σ2 que X 1 X 0 ∼ N (r, σ2 ), de la independencia, homogeneidad y continuidad resultar´ a que X t X 0 ∼ N (rt,σ 2 t) :
−
p
X 1
− X 0 =
(X i/p
i=1
− X (i−1)/p)
entonces X 1/p X 0 ∼ N (r/p,σ 2 /p). An´alogamente X q/p X 0 ∼ N (qr/p,qσ2 /p). Ahora podemos aproximar cualquier valor de t por racionales y aplicar la continuidad de X.
−
−
Definici´ on 1.5.5 Un movimiento browniano es est´ andar si X 0 = 0 P c.s. µ = 0 y σ 2 = 1. A partir de ahora siempre lo supondremos est´ andar. En un modelo a tiempo discreto, con un stock con riesgo S , el valor descontado de una una cartera autofinanciada φ ven´ıa dado por n
˜n = V 0 + V
˜j , φj ∆S
j=1
t ˜s , vendr´a a describir lo mismo. en un modelo a tiempo continuo V 0 + 0 φ s dS Veremos que estas integrales estar´an bien definidas siempre que tengamos una definici´ on de t
φs dW s
0
donde (W s ) es un movimiento browniano. En principio podemos pensar en una definici´ on ω a ω (trayectorial) pero aunque W s (ω) es continua en s, no es una funci´ on de variaci´on acotada y por tanto no le podemos asociar una medida para definir una integral de Lebesgue-Stieltjes. Proposici´ on 1.5.3 Las trayectorias del movimiento Browniano no tienen variaci´ on acotada con probabilidad uno. Demostraci´ on. Dada la partici´o n 0 = t 0n con limn→∞ sup tin ti−1,n = 0, tendremos:
| −
|
≤ t 1n ≤ ... ≤ t nn ≤ t de [0, t]
n
∆n =
− W t −
(W tin
i=1
i
1,n
)2
2
L t. →
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
34 En efecto:
E ((∆n
− t)2) = E (∆2n − 2t∆n + t2) = E (∆2n ) − 2t2 + t2 ,
ahora bien
− − − − − − n
n
E (∆2n ) = E
W ti−1,n )2 (W tjn
(W tin
i=1 j=1
n
=
W tj −1,n )2
n
4
E ((W tin
W ti−1,n ) ) + 2
i=1 n
=3
− W t −
E ((W tin
i=1 j
i
1,n
)2 (W tjn
− W t − j
1,n
n
ti−1,n )2 + 2
(tin
i=1
(tin
ti−1, )((tjn
i=1 j
− tj−1,n)
n
= t 2 + 2
(tin
i=1
ti−1,n )2
de manera que n
E ((∆n
2
− t) ) = 2
Then
(tin
i=1
− ti−1,n)2 ≤ 2t sup |tin − ti−1,n| → 0.
{| − t| > ε} ≤ 2t sup |tinε2− ti−1,n| ,
P ∆n
∞ sup t entonces si la sucesi´on de particiones es tal que in n=1 c.s. aplicando Borel-Cantelli, tendremos que ∆ n t. Por u ´ ltimo
n
|
− W t −
W tin
i=1
i
1n
n i=1
|≥
|W t − W t − supi |W t − W t −
| − ti−1,n| < ∞,
→ |2 = ∆n c.s. t | supi |W t − W t − | → 0 .
in
i
1,n
i,n
i
1,n
in
i
1,n
Proposici´ on 1.5.4 Si (X t ) es un movimiento browniano y 0 < t1 < ... < t n , entonces (X t1 , X t2 ,...,X tn ) es un vector gaussiano. Demostraci´ on. (X t1 , X t2 ,...,X tn ) se obtiene como una transformaci´on lineal de (X t1 , X t2 X t1 ,...,X tn X tn−1 ) que es un vector gaussiano de normales independientes.
−
−
Proposici´ on 1.5.5 Si (X t ) es un movimiento Browniano entonces Cov(X t , X s ) = s t.
∧
−
−
Demostraci´ on. V ar(X t X s ) = V ar(X t )+V ar(X s ) 2Cov(X t , X s ). Esto es t s = t + s 2Cov (X t , X s ).
−
−
)2 )
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
Definici´ on 1.5.6 Un proceso continuo (X t ) es un ( si
• X t es F t-medible. • X t − X s es independiente de F s , • X t − X s X t−s − X 0
s
F t)-movimiento browniano
≤ t.
∼
Ejemplo 1.5.1 Sea (X t ) un movimiento Browniano (standard). Sea T > 0, definamos t = σ(X s , T t s T ), 0 t < T entonces
F
− ≤ ≤ ≤ T X s Y t = X T −t − X T + ds, s
0
T t
−
≤ t < T
F t)-movimiento Browniano (standard). Demostraci´ on. Es obvio que Y es (F t )-medible, continuo, gaussiano y que Y 0 = 0. Tiene incrementos homog´eneos, de hecho, sea 0 ≤ u < v < T T −u X s Y v − Y u = X T −v − X T −u + ds, s T −v entonces E (Y v − Y u ) = 0 y T −u E ((X T −v − X T −u ) X s ) V ar(Y v − Y u ) = v − u + 2 ds s define un (
− − − − − − −
T u
+2
T v
−
T v r
−
E (X s X r ) ds dr sr
T v T u
− − T v − s = v u + 2 ds s T −v T −u r 1
+2
dsdr
T v
−
T v r T u
−
− T v − s = v u + 2 ds s T −v T −u r (T v)
+2
T v
= v
−
−
− u.
Finalmente, Y v Y u es independiente de basta ver que E (Y v Y u u ) = 0, pero since
r
dr
F u. Como las variables son gaussianas,
− |F E (Y v − Y u |F u ) = E (Y v − Y u |X T −u ) = 0, T u
− E (X T −u X s ) E ((Y v − Y u ) X T −u ) = T − v − (T − u) + du s T −v = u
− v + v − u = 0.
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
36
1.5.1
Martingalas a tiempo continuo
Definici´ on 1.5.7 Sea (M t ) una familia de variables aleatorias adaptada a ( y con momentos de primer orden, entonces es:
F t)
• Una martingala si E (M t|F s ) = M s , para todo s ≤ t • Una submartingala si E (M t|F s ) ≥ M s , para todo s ≤ t • Una supermartingala si E (M t|F s ) ≤ M s , para todo s ≤ t. En la definici´on anterior las igualdades y desigualdades se entienden casi seguramente . Proposici´ on 1.5.6 Si (X t ) es un (
F t)-movimiento browniano entonces:
• (X t) es una (F t)-martingala. • (X t2 − t) es una (F t)-martingala. • (exp(σX t − σ2 t)) es una (F t)-martingala. 2
Demostraci´ on. E (X t
|F s ) = E (X t − X s + X s |F s) = E (X t − X s |F s ) + X s = E (X t − X s ) + X s = X s ,
E (X t2
− t|F s) = E ((X t − X s + X s )2|F s ) − t = E ((X t − X s )2 + X s2 + 2(X t − X s )|F s ) − t = t − s + X s2 − t = X s2 − s,
2
E (exp(σX t
2
− σ2 t)|F s) = exp(σX s − σ2 t)E (exp(σ(X t − X s))|F s) σ 2 = exp(σX s − t)E (exp(σ(X t − X s )) 2 σ 2 σ2 = exp(σX s − t) exp( (t − s)) (ya que X t − X s 2 2 2 σ = exp(σX s − s) 2
∼
N (0, t
− s))
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
Ejercicio 1.5.1 Comprobar si los siguientes procesos estoc´ asticos, definidos a partir de un movimiento browniano B, son martingalas, respecto de t = σ(Bs , 0 s t),
F
≤ ≤
t
−
2
X t = t Bt
2
sBs ds
0
X t = e t/2 cos Bt X t = e t/2 sin Bt
− − 12 t)
X t = (Bt + t) exp( Bt X t = B t1 Bt2 .
En este ultimo ´ caso B t1 y B t2 representan dos brownianos independientes y σ(Bs1 , Bs2 , 0 s t).
F t =
≤ ≤
Ejercicio 1.5.2 Sea (X t ) un movimiento browniano (est´ andar) demostrar que t
X t
− 0
define un ( t, X T ).
1.5.2
− X s ds, − s
X T T
0
≤ t < T
F t)-movimiento browniano entre 0 y T con F t = σ(X s , 0 ≤ s ≤
Construcci´ on de la integral estoc´ astica.
Sea (W t ) un movimiento browniano est´andar, y (τ n ) una sucesi´on de particiones: 0 = t 0n t 1n ... t nn = t , con d n := lim n→∞ sup tin ti−1,n = 0, tal que para todo 0 s t
≤ ≤ ≤ ≤ ≤
| −
lim
n
− W t − |2 c.s. = s.
|
W tin
→∞ t ∈τ i,n n ti,n ≤s
Sea f una funci´on de clase C 2 en
|
i
1,n
R. Entonces,
(1.3)
fijado ω,
1 f (W tin ) f (W ti−1,n ) = f (W ti−1,n )(W tin W ti−1,n )+ f (W t˜i−1,n )(W tin W ti−1,n )2 , 2
−
−
−
donde ˜ti−1,n (ti−1,n , tin ). Como f es uniformemente continua en el compacto (W s (ω))0≤s≤t tendremos que
∈
n
| i=1
−
n
|
−
f (W t˜i−1,n ) f (W ti−1,n ) (W tin W ti−1,n )
2
≤ εn
i=1
(W tin W ti−1,n )2
−
→ 0, →∞
n
Para cada n, µn (A)(ω) := ni=1 W tin (ω) W ti−1,n (ω) 2 1A (ti−1,n ) define una medida en [0, t] que converge, por (1.3), a la medida de Lebesgue en [0 , t] . De
|
−
|
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
38 manera que n
i=1
− W t −
f (W ti−1,n )(W tin
t
2
1,n ) =
i
n
f (W s )µn (ds)
0
t
→
→∞
f (W s )ds.
0
Por tanto, f (W t )
− f (0) = nlim →∞ 1 + 2
− f (W t −
(f (W tin )
t
i
1,n
)) = lim n
→∞
f (W s )ds.
f (W ti−1,n )(W tin
− W t −
0
De esta manera
f (W ti−1,n )(W tin
− W t − est´ a bien definido ya que coincide con f (W t ) − f (0) − 12 lim
n
→∞
i
1,n
definir entonces t
f (W s )dW s = lim n
0
→∞
)
t 0 f (W s )ds y
f (W ti−1,n )(W tin
− W t − i
1,n
podemos
).
El problema es que estamos sujetos a las sucesiones de particiones para las que (1.3) es v´alido. No obstante si conseguimos que las sumas de Riemann, que definen nuestra ”integral estoc´astica” converjan en otro modo (en probabilidad o en L2 ) independientemente de las particiones que elijamos, el l´ımite ser´a en cualquier caso el mismo debido a la unicidad del l´ımite casi seguro. De esta manera queda establecido que t
0
1 f (W s )dW s = f (W t ) − f (0) −
t
2
1 2
f (W s )ds
0
lo que altera el teorema fundamental del c´ alculo. Ejemplo 1.5.2 t
W s dW s =
0
t
0
{ }
1 2 W 2 t
− 12 t,
{ }−1−
exp W s dW s = exp W t
t
0
{ }
exp W s ds
Es f´acil ver, haciendo el mismo razonamiento, que podemos extender los integrandos a funciones f : [0, t] R R de clase C 1,2 de manera que
× →
t
f (t, W t ) = f (0, 0) +
0
t
f t (s, W s )ds +
0
1 f x (s, W s )dW s + 2
t
0
f xx (s, W s )ds,
i
1,n
)
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
donde ∂ ∂ f (t, x), f x (s, x) = f (t, x), ∂t ∂x ∂ 2 f xx (s, x) = f (t, x). ∂x 2 f t (s, x) =
Ejemplo 1.5.3 Si tomamos f (t, x) = exp(ax exp(aW t
−
1 2 a t) = 1 2
−
a 2 2 t
+a
− 21 a2t), a ∈
t
exp(aW s
0
exp(aW s
0
a 2 + 2
tenemos
− 12 a2s)ds
− 12 a2s)dW s
t
exp(aW s
0
R,
− 12 a2s)ds.
Esto es, exp(aW t
−
1 2 a t) = 1 + a 2
t
exp(aW s
0
− 12 a2s)dW s .
Ejemplo 1.5.4 Supongamos un mercado donde tenemos un stock con riesgo, S t = W t , y una cuenta bancaria con inter´es simple r = 0. De manera que dada una estrategia φt = (φ0t , φ1t ) el valor de nuestra cartera, en el instante t, ser´ a V t = φ0t + φ1t W t , Si la estrategia es autofinanciada tendremos dV t = φ 1t dW t Supongamos ahora que V t = V (t, S t ), entonces aplicando el c´ alculo estoc´ astico anterior 1 dV t = dV (t, S t ) = V t (t, W t )dt + V x (t, W t )dW t + V xx (t, W t )dt, 2 de manera que 1 V t (t, W t ) + V xx (t, W t ) = 0 2 V x (t, W t ) = φ1t
(1.4)
(1.5)
y si queremos replicar H = F (W T ), habr´ a que buscar una soluci´ on de (1.4) con la condici´ on de contorno V (T, W T ) = F (W T ). La ecuaci´ on 1.5 nos resolver´ıa el problema de ”hedging”.
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
40 La integral definida
Vamos entonces a construir una integral en el sentido de convergencia en L 2 . Definici´ on 1.5.8 (H t )0≤t≤T es un proceso simple si se puede escribir n
H t =
i=1
φi 1(ti−1 ,ti ] (t),
donde 0 = t 0 < t1 < ... < t n = T y φ es
F
-medible y acotada.
ti−1
Definici´ on 1.5.9 Si (H t )0≤t≤T es un proceso simple, definimos n
T
H s dW s =
0
− W t − )
φi (W ti
i=1
i
1
Proposici´ on 1.5.7 Si (H t )0≤t≤T es un proceso simple E ( (propiedad de isometr´ıa)
T 2 0 H s dW s )
=
T 2 0 E (H s )ds
Demostraci´ on. T
E (
n
0
= E (
i=1 n 1
+2
=
− W t − )
φi (W ti
i=1 n
=
n
H s dW s )2 = E (
φ2i (W ti
i
1
φj (W tj
j=1
− W t − )) i
1
− W t − )2) i
−
1
−
− W t − |F t − ))
E (φi (W ti W ti−1 )φj E (W tj i=1 j>i n E (φ2i E (W ti W ti−1 )2 ti−1 )) i=1 n t E (φ2i )(ti ti 1 ) = E H s2 ds = 0 i=1
−
−
−
T
H
1
j
1
|F
Vamos a extender la clase de integrandos simples,
H = {(H t)0≤t≤T , (F t)-adaptado,
i
0
t
0
E (H s2 )ds
S a la clase H :
E (H s2 )ds <
∞}. T
Se puede ver que la clase con el producto escalar (H t ), (F t ) = 0 E (H s F s )ds es un espacio de Hilbert. Notemos que por la proposici´on anterior tenemos definida una aplicaci´on lineal I : = variables T -medibles de cuadrado T integrable , I (H ) = 0 H s dW s . En tambi´ en podemos definir un producto escalar M, L := E (ML). Tenemos entonces que I es una isometr´ıa.
}
S →M { M
F
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
S
Proposici´ on 1.5.8 La clase es densa en T 2 ( )ds). 0 E H s
H (con respecto a la morma ||H t||2 := H,
Definici´ on 1.5.10 Si H es un proceso de la clase el l´ımite en L 2 T
T
H s dW s = lim n
→∞
0
0
la integral se define como
H sn dW s ,
(1.6)
donde H sn es una sucesi´ on de procesos simples tales que T
lim
n
→∞
0
− H s)2ds = 0.
E (H sn
T
Que el l´ımite (1.6) existe se debe a que la sucesi´on de variables 0 H sn dW s es de Cauchy y L 2 (Ω) es completo, en efecto debido a la propiedad de isometr´ıa T
E (
0
H sn dW s
T
− 0
H sm dW s )2
T
≤ =
0
T
2
0 T
+2
0
− H sm)2ds
E (H sn
− H s)2ds
E (H sn
E (H sm
− H s )2ds.
An´ alogamente se puede ver que el l´ımite no depende de la sucesi´on H n . Es f´acil ver que para todo H de la clase
H
• Se cumple la propiedad de isometr´ıa, T
T
2
E (
H s dW s ) =
0
0
E (H s2 )ds,
• La esperanza de la integral es cero, T
E (
H s dW s ) = 0,
0
• La integral es lineal, T
T
(aH s + bF s )dW s = a
0
T
H s dW s + b
0
F s dW s
0
La integral indefinida Si H es de la clase
H tambi´en lo es H 1[0,t] y podemos definir t
T
H s dW s :=
0
tenemos as´ı el proceso
I (H )t :=
H s 1[0,t] (s)dW s ,
0
t
0
H s dW s , 0
≤ t ≤ T
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
42
F t)-martingala.
Proposici´ on 1.5.9 I (H ) es una (
Demostraci´ on. El resultado es inmediato si H es simple: es obvio que t> s t -medible y tiene esperanza, es suficiente entonces ver que
t H s dW s es 0
F
∀
t
E
s
H u dW u
0
F =
s
H u dW u .
0
Podemos suponer que s y t son algunos de los puntos de la partici´on 0 = t 0 < tn t1 < ... < t n = T . As´ı basta ver que (M n ) := 0 H u dW u es una ( n )martingala con Gn = tn . Pero (M n ) es la ( n )-martingala (W tn ) transformada por el proceso ( n )-previsible (φn ) por tanto es una martingala. Si H no es simple la integral es un l´ımite en L2 de martingalas, pero esto conserva la propiedad de martingala.
G
F
G
G
Observaci´ on 1.5.7 Se puede ver, utilizando la desigualdad de Doob para martingalas continuas: 2 E ( sup M t2 ) 4E (M T )
≤
0 t T
≤≤
que existe una versi´ on de I (H ) que es continua.
∀
Observaci´ on 1.5.8 Denotaremos t > s,
t H u dW u := s
t 0 H u dW u
−
s 0 H u dW u .
Para hacer una ulterior extensi´on de los integrandos son convenientes los siguiente resultados Proposici´ on 1.5.10 Sea A
F t-medible, entonces para todo H ∈ H
T
T
1A H s 1{s>t} dW s = 1 A
0
H s dW s
t
Demostraci´ on. Si H n es una sucesi´on que se aproxima a H resulta que n 1A H 1{·>t} se aproximar´a a 1A H 1{·>t} y como el resultado es cierto para procesos simples ya est´a. Definici´ on 1.5.11 Un tiempo de paro relativo a una filtraci´ on ( variable aleatoria τ : Ω [0, ]
→ ∞
≥ 0, {τ ≤ t} ∈ F t. Proposici´ on 1.5.11 Sea τ un (F t )- tiempo de paro entonces tal que para todo t
τ T
0
∧
T
H s dW s =
0
1{s≤τ } H s dW s
F t) es una
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO n
Demostraci´ on. Si τ es de la forma τ = i=1 ti 1Ai donde 0 < t1 < t2 < ... < t n = T y A i ti -medibles y disjuntos, entonces es inmediato:
F
T n
T
1{s>τ } H s dW s =
0
0
i=1
n
1{s>ti } 1Ai H s dW s =
T
=
T
1Ai
H s dW s
∧
ti T
i=1
H s dW s ,
∧
τ T
Por u ´ltimo imar τ por T 1 s τ 0
E
∧
τ T T T H s dW s = 0 H s dW s H dW s . En 0 τ T s 2n 1 (k+1)T τ n = k=0 (k+1)T y ver que 2n 1 kT τ < 2n 2n
−
{ ≤
{ ≤ } H s dW s :
T
0
−
∧
1{s≤τ n } H s dW s
0
T 1 s τ n 0
}
2
T
−
general, basta aprox-
1{s≤τ } H s dW s
T
= E
0
{ ≤ } H s dW s
2
L →
1{τ
y si aplicamos convergencia dominada ya est´a. Por u´ltimo tomamos una subT sucesi´ on de 0 1{s≤τ n } H s dW s que converja casi seguramente.
Extensi´ on de la integral Vamos a hacer una ulterior extensi´on de los integrandos, consideremos la clase T
˜ = (H t )0≤t≤T , (
H {
F t)-adaptado,
0
H s2 ds <
∞ P -c.s.}.
t ˜ sea τ n = inf t Dado H T, 0 (H s )2 ds n (+ si el conjunto t 2 anterior es vac´ıo). Que 0 (H s ) ds es t -medible se deduce de que es l´ımite casi seguro de variables t -medibles, de aqu´ı τ n es un tiempo de paro. Sea T An = 0 (H s )2 ds < n y definamos Podemos entonces definir:
∈H
{
{ ≤
F
F }
˜(H )nt := J
t
≥ } ∞
≥ 1 N´ otese que esto est´a bien definido de manera que si m ≥ n y ω ∈ A n entonces 0
1{s≤τ n } H s dW s 1An , para todo n
n ˜(H )m ˜ J t (ω) = J (H )t (ω),
en efecto: ˜(H )m J t (ω) = pero
t τ n (ω)
∧
t τ n
0
∧
1{s≤τ m } H s dW s ,
0
t
1{s≤τ m } H s dW s =
0
1{s≤τ n } 1{s≤τ m } H s dW s
t
=
0
1{s≤τ n } H s dW s ,
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
44 de manera que
t τ n (ω)
∧
0
˜(H )n (ω) 1{s≤τ m } H s dW s = J t
Podemos ahora definir ˜(H )t = lim J n
→∞
t
t
1{s≤τ n } H s dW s 1An
0
= lim n
→∞
0
1{s≤τ n } H s dW s .
∈ H
N´ otese que si H
˜(H )t = lim J
→∞
n
t
=
t
0
t τ n
1{s≤τ n } H s dW s = lim
→∞
n
∧
H s dW s
0
H s dW s = J (H )t ,
0
por tanto se trata de una ”extensi´on”. Ejercicio 1.5.3 Ver que la definici´ on no depende de la sucesi´ on de tiempos de paro ”localizadora” de (H s ) (esto es que τ˜n y que 1{·<˜τn } H · est´ a en ) entonces el l´ımite es el mismo.
↑ ∞
H
Se puede ver que la extensi´on anterior es un l´ımite en probabilidad de integrales de procesos simples H n que convergen a H en el sentido de que t
|
P (
0
− H s|2ds > ε) → 0.
H sn
N´ otese que la nueva integral es un l´ımite casi seguro de un l´ımite en norma cuadr´ atica. La propiedad de martingala se pierde entonces. En general tenemos que si (τ m ) es una sucesi´on localizadora ˜(H )t∧τ m = lim J
→∞
n
= lim n
→∞
= lim n
→∞
t
=
0
t τ m
∧
0
1{s≤τ˜n } H s dW s
t
0
1{s≤τ˜n ∧τ m } H s dW s
t
0
1{s≤τ m } H s dW s
1{s≤τ m } H s dW s
˜(H )t∧τ m es una martingala. Entonces de dice que J ˜(H ) es una de manera que J martingala local (cuando se para por τ m es martingala, en t , y τ m ).
↑ ∞
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
1.5.3
C´ alculo de Itˆ o
Vamos a desarrollar un c´alculo basado en la integral anterior. Ya hemos visto que este c´alculo es distinto del ordinario. Nuestro teorema fundamental ser´a ahora t 1 t f (W s )dW s = f (W t ) f (W 0 ) f (W s )ds 2 0 0
−
−
para f C 2 , o en forma diferencial
∈
1 df (W t ) = f (W s )dW s + f (W t )dt 2
(1.7)
Vamos a tratar de extender este y otros resultados. Definici´ on 1.5.12 Un proceso (X t )0≤t≤T diremos que es proceso de Itˆ o si se puede escribir t
X t = X 0 +
t
K s ds +
0
donde
H s dW s
0
• X 0 es F 0-medible. • (K s) y (H s ) son ( F t)-adaptados. • 0T (|K s| + |H s|2)ds < ∞ P -c.s..
F t)-martingala continua tal
Proposici´ on 1.5.12 Si (M t )0≤t≤T es una ( t M t = 0 K s ds < P -c.s. entonces
∞
que
∀ ≤ T Ejercicio 1.5.4 Sea (M t )0≤t≤T es una ( F t )-martingala continua tal que M t = t t | | ≤ C < ∞ P -c.s, probar que si 0 K s ds con (K s ) adaptado y tal que 0 K s ds i n tomais t i = T n , 0 ≤ i ≤ n, entonces M t = 0, t
n
lim E (
n
→∞
(M tni
i=1
− M t − )2) = 0 n i 1
y simultaneamente n
E (
(M tni
i=1
− M t − )2) = E (M T 2 − M 02) n i 1
∀ ≤ T , M t = 0.
y que por tanto P -c.s t
Corolario 1.5.1 Todo proceso de Itˆ o tiene una expresi´ on unica. ´
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
46
∈ C 1,2 entonces:
Teorema 1.5.2 Sea (X t )0≤t≤T un proceso de Ito y f (t, x) t
f (t, X t ) = f (0, X 0 )+
t
f t (s, X s )ds+
0
0
1 f x (s, X s )dX s + 2
t
f xx (s, X s )d X, X s ,
0
donde t
t
f x (s, X s )dX s =
0
t
f x (s, X s )K s ds +
0
f x (s, X s )H s dW s
0
t
X, X s =
H s2 ds.
0
Ejemplo 1.5.5 Supongamos que queremos encontrar una soluci´ on (S t )0≤t≤T para la ecuaci´ on t
S t = x 0 +
S s (µds + σdW s )
0
o en forma diferencial
dS t = S t (µdt + σdW t ),
S 0 = x 0 .
Por el teorema anterior. dS t 1 2 2 = µdt + σdW t = d(log S t ) + σ S t dt, S s 2S t2 esto es d(log S t ) = (µ de manera que
− 12 σ2)dt + σdW t
{ − 12 σ2)t + σW t}
S t = S 0 exp (µ
Proposici´ on 1.5.13 (F´ ormula de integraci´ on por partes) Sean X t e Y t dos t t t t procesos de Itˆ o, X t = X 0 + 0 K s ds+ 0 H s dW s e Y t = Y 0 + 0 K s ds+ 0 H s dW s . Entonces
t
X t Y t = X 0 Y 0 +
t
X s dY s +
0
donde
Y s dX s + X, Y
0
t
X, Y t =
0
t
H s H s ds.
Demostraci´ on. Por la formula de Itˆo 2
2
(X t + Y t ) = (X 0 + Y 0 ) + 2
t
0
y X t
2
= X 02 + 2
1 (X s + Y s )d(X s + Y s ) + 2 t
0
1 X s dX s + 2
t
0
t
2H s2 ds,
0
2(H s + H s )2 ds
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
Y t
2
= Y 02
t
+2
0
1 Y s dY s + 2
t
0
2H s2 ds
con lo que restando a la primera igualdad la suma de estas dos obtenemos: t
2X t Y t = 2X 0 Y 0 + 2
t
X s dY s + 2
0
t
Y s dX s +
0
0
2H s H s ds.
Consideremos la ecuaci´on diferencial dX t =
−cX tdt + σdW t, X 0 = x
entonces si aplicamos la formula anterior a X t ect tendremos y por tanto de manera que
d X t ect = e ct dX t + cX t ect dt
e−ct d X t ect = σdW t
X t = xe −ct + σe−ct
t
ecs dW s ,
0
una nueva integraci´on por partes nos conduce a X t = xe −ct + σe −ct (ect W t −
t
cecs W s ds),
0
con lo que se trata de un proceso Gaussiano con esperanza xe −ct y varianza 2
Var(X t ) = σ e−2ct
t
e2cs ds
0
= σ
21
− e−2ct . 2c
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
48
1.5.4
Teorema de Girsanov
F
Lema 1.5.1 Sea (Ω, , P ) un espacio de probabilidad dotado de una filtraci´ on ( t )0≤t≤T , T = . Sea Z T > 0 tal que E (Z T ) = 1 y Z t := E (Z T t ), 0 ˜ t T. Entonces si definimos P (A) := E (1A Z T ), A e Y es una variable ˜ -medible, tal que E ( Y ) < entonces, para todo s t, t
F ≤ F
F F
∀ ∈ F | | ∞ ≤ ˜ (Y |F s ) = 1 E (Y Z t |F s ). E Z s Demostraci´ on. Sea A ∈ F s entonces ˜ (1A Y ) = E (1A Y Z T ) = E (1A E (Y Z t |F s )) E ˜ (1A 1 E (Y Z t |F s )). = E Z s
|F ≤
(1.8)
Teorema 1.5.3 (Girsanov) Consideremos un espacio de probabilidad como antes T y (θt )0≤t≤T un proceso adaptado tal que 0 θt2 dt < c.s. donde t
Z t := exp
{
θs dW s
0
−
∞
t
1 2
0
F
θs2 ds ,
}
es una martingala y W es un ( t )-movimiento browniano est´ andar. Entonces t ˜ bajo la probabilidad P ( ) := E (1· Z T ), X t = W t t T,es un 0 θ s ds, 0 ( t )-movimiento browniano est´ andar.
·
F
−
≤ ≤
Demostraci´ on. (X t )0≤t≤T es adaptado y continuo, veamos que los incrementos son independientes y homog´eneos. ˜ (exp iu(X t X s ) E 1 = E (exp iu(X t Z s
{
−
}|F s) − X s )}Z t|F s)
{ t
{
= E (exp
(iu + θs )dW s
s
−
1 2
Ahora bien, si escribimos
t
s
{
N t := exp iuX t y aplicamos la formula de Itˆo a t
Z t N t = exp
{
(iu + θs )dW s
0
obtenemos
−
1 2
(2iuθs + θs2 )ds
}|F s)
} t
0
(2iuθs + θs2 )ds
}
Z t N t t
=1 +
Z s N s (iu + θs )dW s
0
t
=1 +
Z s N s (iu + θs )dW s
0
−
2
− u2
t
0
t
1 1 (2iuθs + θs2 )ds + 2 2 Z s N s ds.
0
Z s N s (iu + θs )2 ds
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
{ ≤ T , 0t |(Z s N s(iu + θs))|2ds ≥ n})
Por tanto (localizando con τ n = inf t E (Z t∧τ n N t∧τ n
n
Esto es
n
n
pasando ahora al l´ımite cuando n Fubini obtenemos
|F s) = 1
Z v N v dv
s
.
s τ n
∧
∧
t τ n
u 2 ˜ E 2
|F s) = N s∧τ
˜ ( N t E N s
∧
F − − F → ∞ − |F
|F s ) = Z s∧τ N s∧τ
˜ (N t∧τ E n
t τ n
u 2 E 2
N v dv
s
,
s τ n
∧
y aplicando convergencia dominada y
u 2 2
t
s
˜ ( N v E N s
˜ ( N t Esto nos da una ecuaci´on para g s (t) := E N s gs (t) =
s )dv.
|F s )(ω), tal que
2
−u2 gs (t)
gs (s) = 1 De manera que
2
gs (t) = exp esto es ˜ (exp iu(X t E
{
{− u2 (t − s)} 2
− X s)}|F s ) = exp{− u2 (t − s)}
con lo que los incrementos son independientes homogeneos y con ley N(0 , t
1.5.5
− s).
El modelo de Black-Scholes
El modelo de Samuelson, m´as conocido por modelo de Black-Scholes, consiste en un mercado con dos activos. Un activo sin riesgo, S 0 , (o cuenta bancaria) que evoluciona como: dS t0 = rS t0 dt, t 0
≥
donde r es una constante no negativa, esto es S t0 = e rt ,
t
≥ 0
y un activo con riesgo S que evoluciona como dS t = S t (µdt + σdBt )
≥ 0
t
donde (Bt ) es un movimiento browniano. Como hemos visto anteriormente esto implica que σ 2 S t = S 0 exp µt t + σBt . 2 Entonces log(S t ) es un movimiento browniano, no necesariamente est´andar, y por las propiedades del movimiento Browniano tenemos que S t :
{ −
}
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
50
• tiene trayectorias continuas • los incrementos relativos S S −S t
u
u
S t
son independientes de σ(S s , 0
≤ s ≤ u) :
− S u = S t − 1
S u
S u
y
2
S t = exp µ(t S u
{ − u) − σ2 (t − u) + σ(Bt − Bu)} que es independiente de σ(Bs , 0 ≤ s ≤ u) = σ(S s , 0 ≤ s ≤ u). • los incrementos relativos son estacionarios: S t − S u S t−u − S 0 . S u
∼
S 0
De hecho podriamos formular el modelo en t´erminos de estas tres hip´otesis Estrategias autofinanciadas Una estrategia es un proceso φ = (φt )0≤t≤T = H t0 , H t 0≤t≤T a valores en R2 adaptado a la filtraci´on natural del movimiento browniano, (Bt ) , (que coincide con la de (S t )), el valor de la cartera es
V t (φ) = H t0 S t0 + H t S t . En el caso a tiempo discreto, deciamos que la cartera era autofinanciada si V n+1 (φ)
0 − V n(φ) = φ0n+1(S n+1 − S n0 ) + φn+1(S n+1 − S n),
la correspondiente versi´on en el caso discreto ser´a: dV t = H t0 dS t0 + H t dS t . T
Para dar una sentido a esta igualdad imponemos la condici´on: 0 H t0 + H t2 ds < P c.s., entonces las integrales (diferenciales) est´an bien definidas:
|
∞
T
0
H t0 dS t0
T
=
T
0
0
H t0 re rt dt
T
H t dS t =
|
T
H t S t µdt +
0
σH t S t dBt .
0
Tenemos entonces la siguiente definici´on Definici´ on 1.5.13 Una estrategia autofinanciada, φ, es una par de procesos adaptados H t0 0≤t≤T , (H t )0≤t≤T que satisfacen
•
T 0
|
H t0 + H t2 ds <
|
∞ P c.s.
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO t 0 rs 0 H s re ds
• H t0S t0 + H tS t = H 00S 00 + H 0tS 0 +
+
t 0 H s dS s ,
≤ t ≤ T .
0
˜t = e −rt S t , de manera que la tilde la utilizaremos, como en el Indiquemos S caso discreto, para indicar cualquier valor actualizado (o descontado). Proposici´ on 1.5.14 φ es autofinanciada si y s´ olo si: ˜t (φ) = V 0 (φ) + V
t
˜s H s dS
0
˜t = Demostraci´ on. Supongamos que φ es autofinanciada, entonces como V e−rt V t , resultar´a que ˜t = dV
−re−rt V tdt + e−rt dV t = −re−rt (H t0 S t0 + H t S t )dt
+ e−rt (H t0 dS t0 + H t dS t )
−re−rt (H t0S t0 + H tS t)dt
=
+ e−rt (H t0 rS t0 dt + H t dS t )
−re−rt H tS tdt + e−rt H tdS t = H t (−re −rt S t dt + e−rt dS t ) =
˜t . = H t dS An´ alogamente si
˜t = H t dS ˜t dV tenemos que dV t = H t0 dS t0 + H t dS t .
Valoraci´ on y cobertura en el modelo de Black-Scholes Busquemos una probabilidad bajo la cual los precios actualizados sean martingala. Sabemos que ˜t = d e−rt S t = dS
re−rt S t dt + e−rt dS t
− −− −
= e −rt S t ( rdt + µdt + σdBt ) r
˜t d = σ S
µ
σ
t + Bt
˜t dW t = σ S con
W t = Bt
− r −σ µ t.
(1.9)
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
52
µ Entonces por el teorema de Girsanov con θt = r− σ resulta que (W t )0≤t≤T es un browniano est´andar respecto a la probabilidad P ∗
r−µ 1 dP ∗ = exp{ BT − σ
2
− r
µ
2
σ
}
T dP.
(1.10)
De (1.9) deducimos que
{− 12 σ2t + σW t}
˜t = S 0 exp S
˜t y que S
es una P ∗ -martingala. Tambi´en tenemos que
0 t T
≤≤
{ − 12 σ2t + σW t}.
S t = S 0 exp rt
Definici´ on 1.5.14 Una estrategia φ es admisible si es autofinanciada y su valor ˜t = H t0 + H t ˜ descontado V S t 0, t.
≥ ∀
Definici´ on 1.5.15 Diremos que una opci´ on es replicable si su payoff es igual al valor final de una estrategia admisible. Proposici´ on 1.5.15 En el modelo de Black-Scholes cualquier opci´ on con payoff (no negativo) de la forma h = f (S T ), de cuadrado integrable respecto a P ∗ , con E P ∗ (h t ) una funci´ on C 1,2 del tiempo y de S t , es replicable, su precio viene dado por C (t, S t ) = E P ∗ (e−r(T −t) h t ) y la estrategia que replica h viene dada por (H t0 , H t ) con
|F
|F
∂C (t, S t ) ∂S t = C (t, S t ) H t S t
H t = H t0 ert
−
Demostraci´ on. En primer lugar, por la independencia de los incrementos relativos E P ∗ (e−r(T −t) f (S T )
|F t) = E P ∗ (e−r(T −t) f ( S S Tt S t)|F t) = E P ∗ (e−r(T −t) f (
S T x))x=S t S t
= C (t, S t ), de manera que lo que llamaremos precio del derivado en t depende u ´ nicamente de S t y t. ˜ (t, S t ) = e −rt C (t, ˜ Si aplicamos ahora la formula de Ito a C S t ert ), tendremos ˜ (t, S t ) C t
= C (0, S 0 ) +
0
∂ ˜ C (s, ˜ S s ) ds + ∂s
t
0
∂ ˜ C (s, ˜ S s ) ˜ 1 dS s + ˜ 2 ∂ S s
t
0
∂ 2 ˜ C (s, ˜ S s ) ˜ ˜ d S, S s 2 ˜ ∂ S s
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
y como
˜t = σ S ˜t dW t dS
tendremos ˜ (t, S t ) C t
= C (0, S 0 ) +
0
∂ ˜ C (s, S s ) ˜ σS s dW s + ˜s ∂ S
t
0
∂ ˜ C (s, S s ) 1 ∂ 2 ˜ C (t, S s ) 2 ˜2 + σ S s ds ˜2 ∂s 2 ∂ S s
˜ (t, S t ) es una martingala de cuadrado integrable: ahora bien C ˜ (t, S t ) = E P ∗ (e−rT f (S T ) C
|F t)
y por tanto como la descomposici´on de un proceso de Itˆo es u ´ nica tendremos: ˜ (t, S t ) = C (0, S 0 ) + C
t
0
∂ ˜ C (s, S s ) ˜ dS s ˜s ∂ S
∂ ˜ C (s, S s ) 1 ∂ 2 ˜ C (t, S s ) 2 ˜2 + σ S s = 0. ˜2 ∂s 2 ∂ S s Ahora como ∂ ˜ C (s, S s ) ∂C (s, S s ) ∂S s = e −rt ˜s ˜s ∂S s ∂ S ∂ S ∂C (s, S s ) = ∂S s y ∂ 2 ˜ C (s, S s ) ∂ 2 C (s, S s ) ∂S s = ˜s2 ˜s ∂S s2 ∂ S ∂ S ∂ 2 C (s, S s ) = e rt , ∂S s2 podemos escribir ˜ (t, S t ) = C (0, S 0 ) + C
t
0
∂C (s, S s ) ˜ dS s ∂S s
(1.11)
∂C (s, S s ) ∂C (s, S s ) 1 2 2 ∂ 2 C (t, S s ) + rS s + σ S s = rC (s, S s ). (1.12) ∂s ∂S s 2 ∂S s2 De (1.11) tenemos una estrategia autofinanciada cuyo valor final es f (S T ) y tal que H t0 , H t vienen dados por
H t =
∂C (t, S t ) ∂S t
y ert H t0 = C (t, S t )
(t, S t ) S t . − ∂ C ∂S t
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
54
Precio y cobertura de una opci´ o n de compra. Formula de BlackScholes.
− K )+, tenemos
Si tomamos h = (S T
C (t, S t ) = S t Φ(d+ )
− Ke−r(T −t)Φ(d−) (f´ormula de Black-Scholes)
con Φ(x) la funci´on de distribuci´on de una normal est´andar y donde 1 2 t log( S K ) + (r 2 σ )(T d± = σ (T t)
√ ± −
− t) .
En efecto C (t, S t ) = E P ∗ (e−r(T −t) (S T
− K )+|F t) = e−r(T −t) E P ∗ (S T 1{S >K } |F t ) − Ke −r(T −t) E P ∗ (1{S >K } |F t ) S T = e−r(T −t) S t E P ∗ ( 1{ > } )x=S − Ke −r(T −t) E P ∗ (1{ > } )x=S , S t T
T
ST St
K x
ST St
t
K x
ahora bien S T = exp (r S t
{ − 12 σ2)(T − t) + σ (W T − W t)} 1 Ley = exp{(r − σ 2 )(T − t) + σW T −t } 2
entonces S T K > ) S t x S K T = P ∗ (log > log ) S t x log K (r 21 σ2 )(T t) W T −t x = P ∗ ( > ) (T t) σ (T t) x log K + (r 21 σ 2 )(T t) =Φ σ (T t) = Φ(d− ) (despu´es de substituir x por S t )
E P ∗ (1{ ST > K } ) = P ∗ ( St
x
√ −
− √ −
√ − −
−
−
−
t
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
Por otra parte, si escribimos Y para indicar una variable normal est´andar S T 1 ST K ) S t { St > x } 1 2 = e −r(T −t) E P ∗ (exp (r σ )(T t) + σW T −t 1{σW T −t >log K −(r− 1 σ2 )(T −t)} ) x 2 2 1 2 = E P ∗ (exp σ (T t) + σW T −t 1{σW T −t >log K −(r− 1 σ2 )(T −t)} ) x 2 2 1 2 x 1 2 = E P ∗ (exp σ (T t) σ (T t)Y 1 ) √ − 2 σ )(T −t) } {Y < log K +(r 2 σ (T −t)
e−r(T −t) E P ∗ (
{− {−
= = =
1 (2π)
√
1 (2π)
√
1 (2π)
√
{ − − − } − − √ − }
log x +(r 1 σ2 )(T K 2 σ (T t)
−t)
√ − −
−∞
{− 12 σ2(T − t) − σ√ (T − t)y − 12 y2}dy
exp
log x +(r 1 σ2 )(T K 2 σ (T t)
−t)
√ − −
−∞
log x +(r+ 1 σ2 )(T K 2 σ (T t)
√ −
}
{− 12 (σ√ (T − t) + y)2}dy
exp
−t)
{− 12 u2}du
exp
−∞
= Φ(d+ ) (despu´es de substituir x por S t ) De aqu´ı ∂C (t, S t ) = Φ(d+ ) := ∆. ∂S t En efecto: ∂C (t, S t ) ∂ Φ(d+ ) ∂ Φ(d− ) = Φ(d+ ) + S t Ke −r(T −t) ∂S t ∂S t ∂S t d2 + ∂d + 1 = Φ(d+ ) + S t e− 2 (2π) ∂S t 2 d− 1 ∂d − Ke −r(T −t) e− 2 . (2π) ∂S t
−
√
√
−
Ahora bien
∂d ± 1 = ∂S t S t σ (T
√ − t) ,
por tanto ∂C (t, S t ) = Φ(d+ ) + ∂S t = Φ(d+ ) + por u ´ltimo
d2 d2 + 1 ∂d + − − r(T −t) − 2− 2 S t e Ke e (2π) ∂S t d2 + 1 ∂d + K −r(T −t) d22+ − d22− S t e− 2 1 e e (2π) ∂S t S t
√
−
−
√
√ − t)
d+ = d− + σ (T
,
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
56 de manera que d2+
− d2− = (d− + σ√ (T − t))2 − d2− √ = 2d− σ (T − t) + σ 2 (T − t) = 2log
y por tanto 1
−
S t + 2r(T K
− t)
K −r(T −t) d22+ − d22− = 0. e e S t
An´ alisis de la sensibilidad. Los griegos. Sea C (t, S t ) la funci´on de precio de una cartera basada en un s´olo activo con riesgo (S t ) (y bonos). Por razones pr´ acticas es a menudo de vital importancia tener una idea de la sensibilidad de C con respecto a cambios en el valor de S t (para medir el riesgo de nuestra cartera) y con respecto a cambios en los par´ ametros del modelo (para medir los efectos de una mala especificaci´on del modelo). La notaci´on est´andar es: ∂C • ∆ = ∂S • Γ = ∂ ∂S C • ρ = ∂C ∂r • Θ = ∂C ∂t • V = ∂C ∂σ t
2
2 t
Todas estas medidas de sensibilidad son conocidas como ”los griegos”. Incluye como vemos que se pronuncia ”vega”. Una cartera que no es sensible a peque˜nos cambios en alguno de los parametros se dice que es ”neutral”: delta neutral, gamma neutral,..
V
Proposici´ on 1.5.16 En el modelo de Black-Scholes la cartera que replica un call con strike K y tiempo de madurez T tiene los siguientes griegos:
• ∆ = Φ(d+) > 0 √ (T )−t) > 0 (donde φ es la densidad de una normal est´ andar) • Γ = S σφ(d • ρ = K (T − t)e−r(T −t) Φ(d+) > 0 • Θ = − 2√ S (T σ−t) φ(d+) − Kre−r(T −t)Φ(d−) < 0 • V = S tφ(d+)√ (T − t) > 0 σ −r(T −t) Φ(d− ). Ejercicio 1.5.5 Demostrar que Θ = − 2√ S (T −t) φ(d+ ) − Kre +
t
t
t
Observaci´ on 1.5.9 N´ otese que la ecuaci´ on (1.12), puede escribir 1 Θ + rS s ∆ + σ 2 S s2 Γ = rC (s, S s ). 2
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
Opciones ex´ oticas No todas las opciones tienen un payoff h = f (S T ). As´ı por ejemplo tenemos las opciones asi´aticas con payoff h =
T
1 T
S u du
0
− K
+
las opciones lookback,
− S ∗, donde S ∗ = 0≤min S t t≤T
(”lookback call”) h = S T (”lookback put”) h = S ∗
− S T , donde S ∗ = 0max S , ≤t≤T t
o las opciones con barrera
− K )+1{S ∗≥K }
(”down-and-out-call”) h = (S T
− K )+1{S ∗≤K }.
(”down-and-in-call”) h = (S T
Para todas ellas necesitamos un teorema m´as general de replicaci´on en el modelo de Black-Scholes.
≥
Teorema 1.5.4 En el modelo de Black-Scholes cualquier opci´ on con payoff h 0 y T -medible que sea de cuadrado integrable bajo P ∗ es replicable y su valor viene dado por C t = E P ∗ (e−r(T −t) h t )
F
|F
Demostraci´ on. Bajo P ∗ M t := E P ∗ (e−rT h
|F t), 0 ≤ t ≤ T
es una martingala de cuadrado integrable, entonces por el teorema de representaci´on de martingalas brownianas existe un (´unico) proceso adaptado (Y t ) tal que t
M t = M 0 +
Y s dW s
0
con
T
E P ∗ ( entonces podemos definir H t con
0
Y s2 ds) <
H t =
Y t ˜t σ S
y tendremos
t
M t = M 0 +
∞,
0
˜s H s dS
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
58 esto es
˜t = C 0 + C
t
˜s , H s dS
0
con lo que la estrategia H t0 , H t con H t0 = C t H t S t es autofinanciada y replica h. Para ver que es admisible basta tener en cuenta que como h 0, C t 0.
−
≥
≥
Ejemplo 1.5.6 (Opciones asi´ aticas) Consideremos una opci´ on asi´ atica con payoff h =
T
1 T
− K
S u du
0
por el teorema anterior C t = E P ∗ (e−r(T −t) h 1 ϕ(t, x) = E P ∗ (( T
T
+
|F t). Definamos
S u du S t
t
,
− x)+).
Entonces C t = e −r(T −t) E P ∗ = e −r(T −t) E P ∗
T
1 T
S u du
0
S u du
t
1 T
= e −r(T −t) S t E P ∗
T
t
− T 1
K
t S u du 0 S t
t
t
1 T
(K
K
S u du S t
= e −r(T −t) S t ϕ(t, Z t ) donde Z t =
K
+
T
1 T
− F − − F − − F S u du)
0
1 T
t
+
t S du 0 u
S t
t
+
. Es f´ acil ver que
dZ t =
(σ
2
− r)Z t −
1 dt T
− σZ tdW t.
En efecto, aplicando la f´ ormula de integraci´ on por partes y la f´ ormula de Itˆ o: dZ t = d =
t
t
− −
−
K S t
1 d T S t
K K dS t + 3 d S t 2 S t S t
S u du
0
−
S t dt + T S t
1 d S t 1 T
1 T
S u du
0
t 0 S u du dS t S t2
−
1 T
t 0 S u du d S t3
S t,
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
ahora bien como dS t = rS t dt + σS t dW t , resulta que t
dZ t = +
− − − − −
1 K K 2 T 0 S u du r + σ + r S t S t S t
K σ + S t
= (σ2
1 T
t 0 S u du
S t
−
t 0 S u du
S t
σ2
−
1 T
dt
σ dW t
1 dt T
r)Z t
1 T
σZ t dW t .
˜t = e −r(T −t) ˜ Then, we know that C S t ϕ(t, Z t ), t 1,2 assume that ϕ(t, x) C tendremos
≤ T is a martingale. Then if we
∈
∂ϕ ∂ϕ 1 ∂ 2 ϕ 2 2 dt + dZ t + σ Z t dt ∂t ∂Z t 2 ∂Z t 2 ∂ϕ ∂ϕ 1 1 ∂ 2 ϕ 2 2 = + σ2 r)Z t + σ Z t dt ∂t ∂Z t T 2 ∂Z t2 ∂ϕ σZ t dW t , ∂Z t
dϕ =
−
−
− por otra parte
˜t = re −r(T −t) ˜ ˜t + e−r(T −t) ˜ dC S t ϕdt + e−r(T −t) ϕdS S t dϕ ˜ ϕt + e−r(T −t) d S,
˜t + e−r(T −t) ˜ = re −r(T −t) ˜ S t ϕdt + e−r(T −t) ϕdS S t dϕ ∂ϕ 2 ˜ e−r(T −t) σ S t Z t dt ∂Z t ∂ϕ ˜t = e −r(T −t) ϕ Z t dS ∂Z t ∂ϕ 2 ˜ + re−r(T −t) ˜ S t ϕdt e−r(T −t) σ S t Z t dt ∂Z t ∂ϕ ∂ϕ 1 1 ∂ 2 ϕ 2 2 + e−r(T −t) ˜ S t + (σ2 r)Z t + σ Z t dt, ∂t ∂Z t T 2 ∂Z t2
−
−
−
−
−
igualando la parte que es martingala tenemos las ecuaciones
− −
˜t = e−r(T −t) ϕ dC rϕ +
∂ ϕ ∂t
∂ϕ − ∂Z t
rZ t +
1 T
Z t +
∂ϕ ∂Z t
˜t dS
1 ∂ 2 ϕ 2 2 σ Z t = 0. 2 ∂Z t2
Por tanto la estrategia recubridora viene dada por H t0 , H t con H t0 = C t H t S t y ∂ϕ H t = e −r(T −t) ϕ Z t , ∂Z t
−
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
60
donde ϕ es soluci´ on de la ecuaci´ on en derivadas parciales ∂ ϕ rϕ + ∂t
−
∂ ϕ ∂x
1 rx + T
+
1 ∂ 2 ϕ 2 2 σ x =0 2 ∂x 2
(1.13)
con la condici´ on de contorno ϕ(T, x) = x− (parte negativa de x). Esta ecuaci´ on se resuelve num´ericamente. Ejercicio 1.5.6 Demostrar que el precio de una opci´ on asiatica con strike flotante 1 T (payoff= T 0 S u du S T ) viene dado en el instante inicial por
−
+
C = e −rT S 0 ϕ(0, 0)
donde ϕ es soluci´ on de la ecuaci´ on (1.13) con la condici´ on de contorno ϕ(T, x) = (1 + x) Lema 1.5.2 Consideremos funciones escalonadas de la forma n
f (t) =
i=1
∈
≤ E
λi 1(ti−1 ,ti ] (t)
≤
J dicho conjunto } ∈ J . Si Y ∈
R y 0 con λi t0 < t1 ... < t n T y denotemos por T f 1 T 2 de funciones. Sea T = exp 0 f (s)dBs 2 0 f (s)ds , f f L2 ( T , P ) es ortogonal a T , f entonces es nula.
F
{
−
E ∈ J f Sea Y ≥ 0 de L2 (F T , P ) ortogonal a E T sea G n
Demostraci´ on. (Bt1 , Bt2 ,...,B tn ), tendremos que
:= σ
n
{ {
E (exp
− Bt − )}Y ) = 0,
λi (Bti
i=1
y
i
1
n
E (exp
λi (Bti
i=1
Sea X la aplicaci´on
− Bt − )}E (Y |Gn)) = 0.
n R X : Ω ω X (ω) = (Bt1 (ω), Bt2 (ω)
→ −→
i
1
− Bt (ω),...,Bt 1
n
(ω)
− Bt − (ω)) n
1
entonces n
{ exp
Rn
i=1
}
λi xi E (Y
|Gn)(x1, x2,...,xn)dP X (x1, x2,...,x n) = 0,
de manera que la transformada de Laplace de E (Y n )(x1 , x2 ,...,x n )dP X es cero y por tanto E (Y n )(x1 , x2 ,...,x n ) es id´enticamente nula P X c.s., y de aqu´ı E (Y n ) lo es P c.s., finalmente como esto es cierto para toda n del tipo anterior resultar´a que Y es cero P c.s.. Por u ´ ltimo si Y es cualquiera podemos descomponer Y = Y + Y − y llegar´ıamos a la conclusi´on de que Y + = Y − P c.s. por la unicidad de la transformada de Laplace de una medida.
|G
|G
−
|G
G
J.M. Corcuera
1.5. MODELOS A TIEMPO CONTINUO
Proposici´ on 1.5.17 Para toda variable F L2 ( T tado (Y t )0≤t≤T , con E ( 0 Y t2 dt) < , tal que
∈
∞
F T , P ) existe un proceso adap-
T
F = E (F ) +
Y t dBt
0
T
− ∞
Demostraci´ on. Supongamos que F E (F ) es ortogonal a 0 Y t dBt cualquiera T que sea (Y t )0≤t≤T , con E ( 0 Y t2 dt) < , entonces si demostramos que F E (F ) = 0 P c.s. entonces ya est´a, ya que el espacio de Hilbert de variables cenT tradas de L 2 ( T , P ) coincidir´a con el espacio de Hilbert de variables 0 Y t dBt T con E ( 0 Y t2 dt) < . Escribamos Z = F E (F ), tenemos
F
tomemos Y t =
∞
−
−
T
− E (F ))
E ((F
Y t dBt ) = 0,
0
E tf f (t), con las E tf definidas anteriormente, tendremos T
− E (F ))
E ((F y tambi´en
E E
f t f (t)dBt ) =
0
T
− E (F ))(1 +
E ((F
ahora bien, por la f´ormula de Itˆo f T
E de manera que
0
T
=1+
f t f (t)dBt ))
0
=0
E 0
f t f (t)dBt ,
− E (F ))E T f ) = 0
E ((F
− E (F ) = 0 P c.s.
y por el lema anterior F
Teorema 1.5.5 Toda martingala (M t )0≤t≤T de cuadrado integrable se puede escribir t
≤ t ≤ T T donde Y s es un proceso adaptado con E ( 0 Y t2 dt) < ∞. M t = M 0 +
Y s dBs , 0
0
Demostraci´ on. Podemos escribir
M t = E (M T
|F t)
y por lo anterior
T
M T = E (M T ) +
Y s dBs
0
entonces basta tomar esperanzas condicionadas.
62
´ DE DERIVADOS CAP ´ ITULO 1. VALORACI ON
Cap´ıtulo 2
Optimizaci´ on de carteras Consideraremos de nuevo un mercado a tiempo discreto definido en un cierto espacio de probabilidad (Ω, , P ) finito: Ω = ω1 , ω2 ,...,ω M , P ( ωi ) > 0, para todo i. ser´a partes de Ω, y consideraremos una filtraci´on ( n ) , 0 = , Ω , N = . El horizonte N , corresponder´a al instante final de inversi´on. El mercado consistir´a en (d + 1) activos financieros cuyos precios en el instante n estar´an dados por variables no-negativas S n0 , S n1 , ..., S nd que son medibles respecto a n . El stock con super´ındice cero corresponde a un activo sin riesgo (dinero en una cuenta bancaria con tasa de inter´es r), supondremos que S 00 = 1.
F
F {∅ } F F
{
} { } F F
F
0 S n+1 = S n0 (1 + r) = (1 + r)n+1 .
Una estrategia de inversi´on ser´a una cartera admisible φ = ((φ0n , φ1n ,...,φ dn ))0≤n≤N en Rd+1 . φin indica el n´umero de acciones del tipo i-´esimo en la cartera de valores, en el instante n-´esimo, denotaremos por el conjunto de carteras autofinanciadas. R que supondremos diferFijaremos una funci´ on de utilidad u : R+ enciable, c´oncava y estrictamente creciente. Ejemplos de funciones de utilidad son: u(x) = log x γ u(x) = xγ γ < 1, γ = 0 − x u(x) = 1 e
A
→
−
Queremos resolver el siguiente problema de optimizaci´on:
{
max E (u(V N (φ)), φ
∈ A, V 0(φ) = x},
(2.1)
donde V i (φ) representa el valor de la cartera en el instante i-´esimo. Proposici´ on 2.0.18 Si existe una soluci´ on al problema anterior entonces el mercado es viable. 63
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
64
Demostraci´ on. Sea φ una soluci´on de nuestro problema y ψ un arbitraje, consideremos la cartera θ = φ + ψ. Por definici´on de arbitraje V 0 (θ) = V 0 (φ) + V 0 (ψ) = V 0 (φ) = x y V N (θ) = V N (φ) + V N (ψ) con alg´ un ω i tal que
≥ V N (φ)
V N (θ)(ωi ) = V N (φ)(ωi ) + V N (ψ)(ωi ) > V N (φ)(ωi ), con lo que φ no ser´ıa una soluci´on. Proposici´ on 2.0.19 Supongamos que φ es una soluci´ on de nuestro problema de optimizaci´ on (2.1), entonces u (V N (φ))(ω) ∗ P (ω) = P (ω) E (u (V N (φ))) es una probabilidad neutral. Demostraci´ on. Como u es estrictamente creciente P ∗ y P son equivalentes. Consideremos las estrategias autofinanciadas definidas por (( φˆ1n , ˆ φ2n ,..., ˆ φdn ))(y)0≤n≤N que coinciden con ((φ1n , φ2n ,...,φ dn ))0≤n≤N salvo que en el periodo (n 1, n] en el activo con riesgo i-´esimo
−
φˆin (y) = φ in + yα donde y
∈
R y α es
F n−1-medible, la funci´on
ˆ g(y) = E (u(V N (φ(y))))
tiene un m´aximo en y = 0, donde N N
V N (φ) = (1 + r) (x +
˜n ). φn ∆S
n=1
De manera que
·
˜i α), 0 = g (0) = E (u (V N (φ))∆S n
F n−1-medible, resulta entonces que ˜ni |F n−1 ) = 0. E (u (V N (φ))∆S
y como esto es cierto para toda variable α,
Por otro lado sabemos, (por la ”formula de Bayes” (1.8)), que ˜ni E P ∗ (∆S y por tanto
1 ˜i |F n−1) = E (u (V N (φ)) |F n−1) E (∆S nu (V N (φ))|F n−1)), ˜n E P ∗ (∆S
|F n−1) = 0.
Podemos intentar resolver el problema como un problema de optimizaci´on en varias variables. Veamos el siguiente ejemplo
J.M. Corcuera Ejemplo 2.0.7 Consideremos un mercado con dos instantes de negociaci´ on, donde r = 0, y un s´ olo stock con riesgo que evoluciona: n = 0 n = 1 n = 2 9 1/2
8
1/2
1/2
5
6
1/2 1/2
4
1/2
3 consiederemos la utilidad exponencial u(x) = 1 (E (1
− e−x, el objetivo es maximizar
− e−(x+φ ∆S +φ (S )∆S ) 1
1
2
1
2
que depende de tres variables φ 1 , φ28 := φ2 (8), φ24 := φ 2 (4). Entonces, como ∆S 1 =
3 1
−
y ∆S 2 =
resultar´ a
(si S 1 = 8) ( si S 1 = 4)
−
1 2 2 1
,
−
− e−(x+φ ∆S +φ (S )∆S ) 1 −x−3φ −φ =1 − e + e−x−3φ +2φ 4
E (1
1
1
1
2
1
2
28
1
28
+ e −x+φ1 −2φ24 + e−x+φ1 +φ24 .
Busquemos los puntos cr´ıticos. Si derivamos con respecto a φ24 e igualamos a cero obtenemos 2e−2φ24 + eφ24 = 0
−
con lo que 1 φ24 = log 2, 3 la derivada segunda es
− 14 e−x+φ
1
4e−2φ24 + eφ24 < 0
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
66
con lo que corresponde a un m´ aximo. An´ alogamente, si derivamos con respecto a φ 28 , obtenemos 1 φ28 = log 2, 3 substituyendo estas expresiones en la funci´ on objetivo obtenemos
−
1 φ1 = log 3 4 Observaci´ on 2.0.10 Notemos que si en este mercado tratamos de m´ aximizar la riqueza, la funci´ on objetivo ser´ıa E (x + φ1 ∆S 1 + φ2 (S 1 )∆S 2 ) = x + φ1
∞
−∞
− 14 φ28 + 14 φ24,
∞
la ”soluci´ on” ser´ıa φ1 = , φ28 = , φ24 = !!. Notemos tambi´en, por la proposici´ on anterior, que si u(x) = x y tenemos una soluci´ on al problema de optimizaci´ on, entonces P ∗ = P y esto en general no ocurrir´ a. Resulta obvio que el procedimiento de optimizaci´on utilizado se complica exponencialmente con el n´umero de pasos. Vamos a considerar dos m´ etodos para resolver el problema. En el ejemplo anterior hemos simplificado el problema llevando a cabo una ”maximizaci´on iterativa”, bas´andonos en el hecho evidente de que: max
φ1 ,φ28 ,φ24
F (φ1 , φ28 , φ24 ) = max(max(max F (φ1 , φ28 , φ24 ))), φ1
φ28
φ24
esta es la idea que subyace en el ”m´etodo de de programaci´on din´amica”.
2.1
Programaci´ on din´ amica
− 1 U n (y) = max {E (u(V N (φ))|F n ), φ ∈ Ayn }
Definamos para n = 0, 1, 2,...,N
donde yn son las carteras autofinanciadas construidas a partir del instante n y cuyo valor en n es y.Definimos U N (y) = u(y). Se le suele llamar ”proceso valor ´optimo”. Notemos que puesto que el valor de toda cartera autofinanciada depende de su valor inicial y de ((φ1n , φ2n ,...,φ dn ))0≤n≤N , sucesi´on previsible:
A
N
y ˜j ) V N (φ) = (1 + r) ( + φj ∆S (1 + r)n j=n+1 N
·
tendremos que
{
|F n), ((φ1j , φ2j ,...,φdj))n+1≤j≤N previsible, V n = y }
U n (y) = max E (u(V N (φ))
´ DIN AMICA ´ 2.1. PROGRAMACI ON
J.M. Corcuera
Proposici´ on 2.1.1 (”Ecuaci´ on funcional de programaci´ on din´ amica”) U n (y) = =
φ φ
max
{E (U n+1(V n+1(φ))|F n), V n = y }
max
E (U n+1 ((1 + r)n+1 (
F n -medible F n -medible
y ˜n+1 )) + φ ∆S (1 + r)n
·
|F n)
Demostraci´ on. Por definici´on, U N (y) = u(y), y por tanto
{ |F N −1), ((φ1j , φ2j ,...,φdj))j=N previsible, V N −1 = y } = max{E (U N (V N (φ))|F N −1 ), ((φ1j , φ2j ,...,φ dj ))j=N previsible, V N −1 = y }.
U N −1 (y) = max E (u(V N (φ)) Adem´ as, U n (y ) =
max
E (u((1 + r) (
φ F n -medible, ϕj previsible
(1 + r )n
( ) =
=
= =
φ
φ
φ
φ
max
(ϕj ) previsible
max
max
max
E (
F n -medible,
N
E (u((1 + r) (
n+1
max
F n -medible,
(1 + r)n
E (E (u((1 + r) (
(ϕj ) previsible
E (U n+1 ((1 + r)
(
N
y
E (u((1 + r ) (
max
˜j ))|F n ) ϕj · ∆S j =n+2
N
(ϕj ) previsible
F n -medible,
˜n+1 + + φ · ∆S
N
max
F n -medible,
N
y
N
y
(1 + r)n
˜n+1 + + φ · ∆S
y
(1 + r )n y
(1 + r )n
˜j ))|F n ) ϕj · ∆S j =n+2 N
˜n+1 + + φ · ∆S
˜j ))|F n+1 )|F n ) ϕj · ∆S j =n+2 N
˜n+1 + + φ · ∆S
˜j ))|F n+1 )|F n ) ϕj · ∆S j =n+2
˜n+1 ))|F n ). + φ · ∆S
En la cuarta igualdad utilizamos el hecho de que si Z es una variable aleatoria que depende de (ϕj ) max
(ϕj ) previsible
Z ((ϕj ))|F n ), |F n) = E ((ϕ ) max previsible
E (Z ((ϕj ))
j
en efecto, para toda (ϕj ) previsible E (
max
(ϕj ) previsible
|F n) ≥ E (Z ((ϕj ))|F n)
Z ((ϕj ))
de manera que E (
max
(ϕj ) previsible
E (Z ((ϕj ))|F n ). |F n) ≥ (ϕ ) max previsible
Z ((ϕj ))
j
Sea (ψj ) previsible para la cual E (
max
(ϕj ) previsible
|F n) = E (Z ((ψj ))|F n),
Z ((ϕj ))
obviamente E (
max
(ϕj ) previsible
E (Z ((ϕj ))|F n ) |F n) = E (Z ((ψj ))|F n) ≤ (ϕ ) max previsible
Z ((ϕj ))
j
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
68
El m´etodo consiste entonces en utilizar este propiedad para resolver el problema de manera recursiva, calculando U N −1 , de aqu´ı U N −2 , etc. Una ventaja del m´ etodo es que obtenemos de golpe una soluci´on para todos los posibles valores de la riqueza inicial y. Ejemplo 2.1.1 Consideremos el ejemplo anterior,
− e−(y+φ U 1 (y) = max E (1 − e−(y+φ φ
28 ∆S 2 )
U 1 (y) = max E (1 φ28
24
24
|S 1 = 8), si S 1 = 8 ∆S ) |S 1 = 4), si S 1 = 4. 2
Como
−
e−(y+φ28 ∆S 2 ) |S 1 = 8
−
e−(y+φ24 ∆S 2 ) S 1 = 4
E 1 =1
−
1 −(y+φ28 ) e + e−(y−2φ28 ) 2
y E 1
1 =1 − 2
|
e−(y−φ24 ) + e−(y+2φ24 )
con lo que el m´ aximo se obtiene para φ28 =
−13 log 2, φ24 = 13 log 2.
Entonces, independientemente del valor de S 1 , U 1 (y) = 1
− 32 22/3e−y .
Ahora U 0 (y) = max E (1 φ1
= max(1 φ1
− 32 22/3e−(y+φ ∆S ) )) 1
− 34 22/3e−y (e−3φ
1
1
+ eφ1 ))
de donde el valor m´ aximo se alzanza para 1 φ1 = log 3 4
2.2
M´ etodo de martingala
Para poder aplicar el m´ etodo se requiere que el mercado sea completo. Dada una riqueza inicial x,denotemos V x el conjunto de variables aleatorias que se pueden replicar con una riqueza inicial x. El m´ etodo consiste en descomponer el problema en dos pasos:
´ 2.2. M ETODO DE MARTINGALA
J.M. Corcuera
1. Encontramos primero la riqueza ´optima, Yˆ , esto es ˆ = max E (u(Y )). E (u(Y ))
∈
Y V x
2. Buscamos la cartera autofinanciada φ que replique Yˆ .
∈ V x equivale a
Como el mercado es completo Y E P ∗
Y (1 + r)N
= x,
por tanto
{
max E (u(Y )) = max u(Y ), E P ∗
Y V x
∈
Y
Y (1 + r)N
}
= x .
Se trata por tanto de un m´aximo con restricciones y podemos aplicar el m´etodo de multiplicadores de lagrange para resoverlo. El lagrangiano de nuestro problema ser´a: Y F (Y, λ) := E (u(Y )) λ E P ∗ x . (1 + r)N
− −
Ahora bien
F (Y, λ) = E u(Y )
λ
− − −
YL (1 + r)N
dP ∗ dP . Podemos
x
donde L = ahora tratar de maximizar u(Y ) que nos conduce a las condiciones de extremo λL (1 + r)N YL x = E (1 + r)N
λ
−
YL (1+r)N
x lo
u (Y ) =
esto es, denotando I la funci´on inversa de u , Y = I (
λL ) (1 + r)N
x = E
λL I ( (1+r) N )L
(1 + r)N
.
La segunda ecuaci´on permite eliminar λ y obtener Y de la primera ecuaci´on substituyendo el valor de λ encontrado. As´ı obtenemos la riqueza ´optima (despu´es de comprobar que se trata de un m´aximo) y despu´es se buscar´ıa la cartera que replica dicha riqueza ´optima y que sabemos que existe ya que el mercado es completo.
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
70
Ejemplo 2.2.1 Si consideramos la ut´ılidad logar´ıtmica u(x) = log x, tenemos u (x) = x1 con lo que I (y) = y1 y Y =
(1 + r)N , λL
la condici´ on sobre λ nos da λ = x1 con lo que la riqueza ´ optima correspondiente a una riqueza inicial x viene dada por Y = Ejemplo 2.2.2 Si u(x) =
x(1 + r)N L
xγ γ , tenemos u
Y = (
(x) = x γ −1 e I (y) = y γ−1 1 por tanto
1 λL ) γ −1 N (1 + r)
la condici´ on sobre λ da x = E de manera que
1
λL γ −1 ( (1+r) N )
(1 + r)N
L
γ
1
λ −1 = x E ((L(1 + r)−N ) γ −1 ) γ
con lo que
−1
1
Y = Ejemplo 2.2.3 Si u(x) = 1
x(L(1 + r)−N ) γ −1 γ
E ((L(1 + r)−N ) γ −1
− e−x, u (x) = e−x, I (y) = − log y. Por tanto Y = log
(1 + r)N . λL
La condici´ on sobre λ nos da N
log (1+r) λL x = E L , (1 + r)N
por tanto log
(1 + r)N = x(1 + r)N + E (L log L) λ
con lo que Y = x(1 + r)N
− log L + E (L log L)
´ 2.2. M ETODO DE MARTINGALA
J.M. Corcuera
Ejemplo 2.2.4 Si continuamos con el ejemplo anterior, ya vimos en el ejercicio (1.2.3), que el mercado era completo ya que tenemos una ´ unica probabilidad neutral, P ∗ tal que p∗1 = 1/4, p∗2 = 2/3 y p∗3 = 1/3, en el esquema de evoluci´ on: n = 0
n = 1 ∗
n = 2 9
p2
p∗ 1 5 1−p∗1
8 1−p∗ 2
6
.
∗
p3
4 1−p∗ 3
3
Escribamos ω1 la trayectoria ”589”, ω2 la trayectoria ”586”, ω3 la trayectoria ”546” y ω4 la trayectoria ”543”. Entonces P ∗ (ω1 ) 2 P ∗ (ω2 ) 1 = , L(ω2 ) = = P (ω1 ) 3 P (ω2 ) 3 ∗ ∗ P (ω3 ) P (ω4 ) L(ω3 ) = = 1, L(ω4 ) = = 2. P (ω3 ) P (ω4 ) L(ω1 ) =
Por otro lado u(x) = 1 viene dada por Y =
− e−x e I (x) = − log x con lo que la riqueza ´ optima
− log(λL) = − log λ − log L con E P ∗ (Y ) = x
de manera que Y = x
− log L − E (L log L)
esto es
− log 23 − E (L log L) 1 Y (ω2 ) = x − log − E (L log L) 3 Y (ω3 ) = x − E (L log L) Y (ω4 ) = x − log2 − E (L log L) Y (ω1 ) = x
ahora tenemos que hallar la cartera que replica esta riqueza (”payoff”). Entonces, utilizando la misma notaci´ on que antes φ028 + φ28 S 2 (ω1 ) = Y (ω1 ) φ028 + φ28 S 2 (ω2 ) = Y (ω2 ) con lo que φ28 =
Y (ω1 ) S 2 (ω1 )
− Y (ω2) = − 1 log 2, − S 2(ω2) 3
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
72 an´ alogamente
φ24 =
Y (ω3 ) S 2 (ω3 )
Ahora, la cartera en n = 1 vale
− Y (ω4) = 1 log 2. − S 2(ω4) 3 −
− S 1(ω1))
−
− S 1(ω3))
V 1 (ω1 ) = V 1 (ω2 ) = Y (ω1 ) φ28 (S 2 (ω1 ) 2 1 = x log E P ∗ (L) + log 2 3 3
−
−
V 1 (ω3 ) = V 1 (ω4 ) = Y (ω3 ) φ28 (S 2 (ω3) 2 = x E P ∗ (L) log 2, 3
−
−
finalmente φ1 =
V 1 (ω1 ) S 1 (ω1 )
− V 1(ω3) = 1 log 3 − S 2(ω3) 4
Observaci´ on 2.2.1 El m´ etodo de martingala tambi´ en se puede derivar de la proposici´ on (2.0.19). Supongamos que el modelo es completo y sea P ∗ la probabilidad neutral, entonces tenemos P ∗ (ω) u (V N (φ))(ω) = , P (ω) E (u (V N (φ))) donde V N (φ) es la riqueza terminal ´ optima correspondiente a la estrategia ´ optima φ. Por tanto P ∗ (ω) V N (φ) = I (E (u (V N (φ))) ) P (ω) con E (u (V N (φ))) tal que E P ∗ (
2.2.1
V N (φ) ) = x. (1 + r)N
Optimizaci´ on de carteras en el modelo de Cox-RossRubinstein (CRR).
Consideremos la utilidad logar´ıtmica en el modelo CRR siguiente: n = 0
p
x 1−p
n = 1 p
n = 2..... p x(1 + b) 1−p
p
x(1 + b)(1 + a) 1−p
x(1 + b) 1−p x(1 + a) 1−p
p
p
x(1 + a)2 1−p
.
´ 2.2. M ETODO DE MARTINGALA
J.M. Corcuera
Sabemos que la probabilidad neutral corresponde a tomar en cada paso una probalidad p ∗ , en lugar de p, dada por r b
p∗ = de esta manera P ∗ (ω) p∗ L(ω) = = P (ω) p
− a, −a
U N (ω)
1 p∗ 1 p
−
−
N U N (ω)
,
−
donde U N representa el n´umero total de subidas en la trayectoria hasta el instante N . Entonces la riqueza ´optima vendr´a dada por x(1 + r)N p Y = = x(1 + r)N ∗ L p
U N
− 1 p 1 p∗
−
N U N
−
Ahora queremos encontrar la cartera autofinanciada cuyo valor final V N = Y. Tenemos que (con la notaci´on habitual) φ1N =
u d V N V N S N −1 (b a)
−
−
y con lo que u d V N V N b a x(1 + r)N p = b a p∗
− −
φ1N S N −1 =
U N −1
1 p 1 p∗
N 1 U N −1
U N −1
1 p 1 p∗
N 1 U N −1
− −−
−
x(1 + r)N p = b a p∗
−
Y 1+r
−−
−
− 1
Por otro la cartera que replica Y en N V N −1 = E P ∗ (
−−
− −− p − p∗ p∗ (1 − p∗ )
− −
− p∗)
p p∗
1 p 1 p∗
vale
|F N −1)
N 1
= x(1 + r) −
= x(1 + r)N −1
p p∗
U N −1
1 p 1 p∗
N 1 U N −1
p p∗
U N −1
1 p 1 p∗
N 1 U N −1
− −−
−− −−
−
de manera que
p ∗ 1 p p + (1 ∗ p 1 p∗
,
φ1N S N −1 (1 + r)( p p∗ ) = ∗ . V N −1 p (1 p∗ )(b a) Esta cantidad corresponde a la fracci´on de riqueza invertida en el activo con riesgo y que como se ve no depende de N , un argumento de inducci´on permite demostrar que φ1 S N −2 φ1N S N −1 φ1 S 0 = N −1 = ... = 1 . V N −1 V N −2 x
−
−
−
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
74
2.3
Consumo ´ optimo
Un proceso de consumo lo definiremos como un proceso adaptado no negativo C = (C i )0≤i≤N . Un plan de consumo-inversi´on consistir´a en un par (C, φ) donde C es un proceso de consumo y φ una estrategia de inversi´on autofinanciada. Supondremos una funci´on de utilidad u que medir´a la utilidad del consumo. A partir de una riqueza inicial ν , un plan de consumo-inversi´on se dir´a que es autofinanciado si no se a˜nade o extrae dinero de la cartera, excepto lo que se consume. Como siempre escribiremos V n = φn S n = φ0n S n0 + φ1n S n1 + ... + φdn S nd ,
·
entonces si la estrategia es autofinanciada
·
·
φn S n = C n + φn+1 S n , esto es V n+1
− V n = φn+1 · S n+1 − φn · S n = φn+1 · S n+1 − φn+1 · S n − C n = φn+1 · (S n+1 − S n ) − C n = φn+1 · ∆S n+1 − C n ,
y por tanto N 1
N
V N = ν +
·
φn ∆S n
n=1
−
−
C n
n=0
an´ alogamente, con la notaci´on habitual para los valores actualizados, tenemos que ˜n = C ˜n + φn+1 S ˜n , φn S
·
y
˜n+1 V
·
− V ˜n = φn+1 · ∆S ˜n+1 − C ˜n.
Finalmente
N 1
N
˜N = ν + V
˜n φn ∆S
·
n=1
−
−
˜n . C
n=0
Diremos que una estrategia de consumo consumo-inversi´on (C, φ) es admisible, escribiremos (C, φ) , si es autofinanciada y C N V N . El problema de consumo ´optimo es resolver:
∈A
≤
N
max E (
(C,φ) V 0 =ν
∈A
≤
αn u(C n ))
n=0
donde 0 < α 1 (permite controlar la dependencia de la funci´on de utilidad con respecto al tiempo).
2.3.
´ CONSUMO OPTIMO
J.M. Corcuera
Proposici´ on 2.3.1 Si (C n )0≤n≤N es un proceso de consumo ´ optimo entonces la probabilidad P ∗ (ω) =
u (C N ) P ∗ (ω) E (u (C N ))
es una probabilidad neutral
Demostraci´ on. Notemos en primer lugar que N
max E (
(C,φ) V 0 =ν
∈A
αn u(C n ))
n=0 N 1
−
˜n ) − φ1 S 0 ) + αn u((1 + r)n (φn − φn+1 ) · S φ ∈A n=1 N N ˜N )) + α u((1 + r) φN · S
= max E (u(ν
:= max F (φ) φ
∈A
Entonces siguiendo la misma l´ınea argumental que en la proposici´on (2.0.19), si consideramos las estrategias admisibles definidas por (( φˆ0n , ˆ φ1n , ..., ˆ φdn ))(y)0≤n≤N que coinciden con ((φ0n , φ1n ,...,φ dn ))0≤n≤N salvo que en el periodo (n 1, n] en el activo con riesgo i-´esimo
−
φˆin (y) = φ in + yθ donde y
∈
R y θ es
F n−1-medible, la funci´on ˆ g(y) = F (φ(y))
tiene un m´aximo en y = 0. Si derivamos en y = 0 obtenemos ˜ni E (θ(αn (1 + r)n u (C n )S
− αn−1(1 + r)n−1u (C n−1)S ˜ni −1)) = 0,
como esto ocurre para cualquier θ, ˜ni E (αn (1 + r)n u (C n )S
F n−1-medible, resultar´a que
|F n−1) = αn−1(1 + r)n−1u(C n−1)S ˜ni −1),
con lo que (αn u (C n )S ni )0≤n≤N es una martingala, en particular si tomamos i = 0 resultar´a que (αn u (C n )(1 + r)n ) es una martingala. Si aplicamos ahora
´ DE CARTERAS CAP ´ ITULO ITULO 2. OPTIMIZ OPTIMIZAC ACI I ON
76 la formula de Bayes (1.8)
˜i E P P ∗ (S n
˜i |F n)|F n−1) |F n−1) = E (S nE E ((uu((C C N NN N ) )|F n−1 ) = =
˜ni E (αN (1 + r)N u (C N E (S N ) n ) n−1 ) N N E (α (1 + r ) u (C N N ) n−1 ) ˜i αn (1 + r)n u (C n ) n−1 ) E (S n αn 1 (1 +
−
r)n 1 u
|F
|F |F |F
− (C n−1 ) E (S i αn u (C n )|F n−1 ) = n−1 n α (1 + r)n−1 u (C n−1 ) S ni −1 αn−1 u (C n−1 ) = n−1 α (1 + r)n−1 u (C n−1 ) ˜ni −1 = S
Vamos a resolver el problema de optimizaci´on por los m´ etodos etodo s habituales h abituales..
2.3.1
M´ etodo de programaci´ etodo on on din´ amica amica en el problema de consumo optimo o ´ptimo
Definamos U n (y )
N
= max
E (
j =n
αj −n u(C j )
-medible , (C j , φj )n+1≤j ≤N ∈ A, V n = y = y |F n), C n ≥ 0 F n-medible,
para n para n = 0, 1,...,N . Notemos que para U para U N u (y ), ya que a mayor consumo N (y ) = u( mayor may or utilidad.
− − 1
Proposici´ on on 2.3.2 Para n Para n = 0, 1,...,N
U n (y) = max(u(C n ) + αE (U n+1 ((1 + r )n+1 ( C n ,φ
y ˜n+1 + φ ∆S (1 + r)n
·
− C ˜n))|F n))
2.3.. 2.3
´ CONSU CONSUMO MO OPTIMO
J.M. Corcuera
∈ A y que
Demostraci´ on. on. Suponemos Suponemos (C (C j , φj )n+1≤j ≤N medible,
C n
≥ 0 F n-
N
U n (y) =
max
(C j ,φj )n+1≤j ≤N C n ,V n =y
E (
αj −n u(C j )
j =n
|F n)
N
=
max
(C j ,φj )n+1≤j ≤N C n ,V n =y
= max
C n ,φn+1 V n =y
= max
C n ,φn+1 V 0 =y
= max
C n ,φn+1 V n =y
= max
C n ,φn+1 V n =y
= max
C n ,φn+1 V n =y
E (u(C n ) + α
αj −n−1 u(C j )
|F n)
j =n+1
|F |F
N
max
(C j ,φj )n+2≤j ≤N C n+1
E (u(C n ) + α
αj −n−1 u(C j )
n)
αj −n−1 u(C j )
n)
j =n+1 N
u(C n ) + α
max
(C j ,φj )n+1≤j ≤N C n+1
E (
j =n+1 N
u(C n ) + α
max
(C j ,φj )n+2≤j ≤N C n+1
E (E (
αj −n−1 u(C j )
|F
|F n+1)
j =n+1
n)
N
u(C n ) + αE (
max
C n+1 ,(C j ,φj )n+2≤j ≤N ˜n+1 = y n +φ ˜ ˜ V (1+r (1+r ) + φn+1 ∆S n+1 C n
·
u(C n ) + αE (U n+1 ((1 + r)
n+1
(E (
−
αj −n−1 u(C j )
|F n+1))
j =n+1
y ˜n+1 ( + φn+1 ∆S (1 + r )n
·
− C ˜n))
Ejemplo 2.3.1 Continuando con el ejemplo anterior y la utilidad logar´ logar´ıtmica tendremos
− c18)|S 1 = 8)) = ma max x (log(c (log(c18 ) + αE (log(y (log(y + φ28 ∆S 2 − c18 )|S 1 = 8)) c ,φ α α = ma max x (log(c (log(c18 ) + log(y log(y + φ28 − c18 ) + log(y log(y − 2φ28 − c18 )), )), c ,φ 2 2
U 1 (y) (S 1 = 8) 8) = ma max x (log(c (log(c18 ) + αE (U 2 (y + φ28 ∆S 2 c18 ,φ28 18
28
18
28
las condiciones de extremo nos llevan a 1 c18
−
α 2
1
1 + =0 y + φ28 c18 y 2φ28 c18 1 2 =0 y + φ28 c18 y 2φ28 c18
−
−
−
− −
−
−
|F
|F n)
n)
´ DE CARTERAS CAP ´ ITULO ITULO 2. OPTIMIZ OPTIMIZAC ACI I ON
78 de lo que resulta
φ28 =
−αy
4(1 + α)
, c18 =
y . 1+α
(2.2)
Por tanto U 1 (y ) (S 1 = 8) = (1 + α)log y
log2, − log(1 + α) + α log 2(13+α α) − α2 log2,
an´ alogament alogam entee obten ob tendr´ dr´ıamos ıam os φ24 =
αy y , c14 = 4(1 + α) 1+α
y por tanto U 1 (y ) (S 1 = 4) = (1 + α)log y
− log(1 + α) + α log 2(13+α α) − α2 log2, log2,
de manera que en este caso no depende del valor de S 1 .Usando Usando otra vez la ecuaci´ on de programaci´ on din´ amica, tenemos: U 0 (y ) = max(log(c (log(c) + αE (U 1 (y + φ1 ∆S 1 c,φ1
max(log(c (log(c) + c,φ1
+ con K con K = = log(1 + α)
α(1 α (1 + α) log(y log(y + 3φ 3 φ1 2
α(1 α (1 + α) log(y log(y 2
− c))) − c)
− φ1 − c) − K )
3α α log2, de donde resulta − α log 2(1+α 2(1+α) + 2 log2,
c =
y α(1 + α)y , φ1 = . 2 1+α+α 3(1 + α + α2 )
Notemos que para calcular φ calcular φ 28 , φ24 y los consumos ´ optimos en el intante 1, 1 , c18 , c14 , en t´ erminos erminos de la riqueza inicial y inicial y,, tenemos primero que calcular la riqueza en 1, si S si S 1 = 8: V 18 := y + + 3φ 3 φ1 18 := y =
α(1 + α)y y = y + + − c = y − 2 1+α+α 1 + α + α2
2α(1 + α)y 1 + α + α2
y substituir en (2.2 ), con lo que 2
φ28 =
− 2(1 +ααy+ α2) , c18 = 1 +2ααy+ α2 .
Si S 1 = 4, tendriamos la riqueza en 1: y
α(1 + α)y y − φ1 − c = y − = y − 3(1 + α + α2 ) 1 + α + α2 =
2α(1 + α)y , 3(1 + α + α2 )
2.3.
´ CONSUMO OPTIMO
con lo que φ24 =
J.M. Corcuera
α2 y 2αy , c = . 14 6(1 + α + α2 ) 3(1 + α + α2 )
Por ultimo ´ el consumo ´ optimo en el instante final vendr´ a dado por la riqueza en ese instante, de manera que si, por ejemplo S 2 = 9, el consumo ´ optimo valdr´ a
− c18 2α(1 + α)y α2 y 2αy = − − 2 2 1+α+α 2(1 + α + α ) 1 + α + α2
V 18 + φ28
=
3α2 y . 2(1 + α + α2 )
Sin embargo estas expresiones no son interesantes en la pr´ actica, con la expresiones (2.2 ) ya tenemos suficiente. Observaci´ on 2.3.1 El problema de optimizaci´ on se complica extraordinariamente si consideramos funciones de utilidad que no verifiquen u (0) = ya que entonces no queda garantizado que en la soluci´ on ´ optima se cumpla que el consumo es un proceso positivo.
∞
2.3.2
M´ etodo de martingala en el problema de consumo optimo ´
En este caso para poder aplicar el m´etodo necesitamos que el modelo sea completo. Definici´ on 2.3.1 Diremos que un proceso de consumo C es replicable si existe a φ autofinanciada (con los consumos C 1 , C 2 ,..C N −1 ) tal que V N = C N . Se dir´ que φ replica C. Proposici´ on 2.3.3 En un mercado completo todo proceso de consumo C es replicable. Demostraci´ on. Sea (C i )0≤i≤N un proceso de consumo. Una manera de garantizar el proceso de consumo es pedir al banco, en los instantes 0 , 1, 2,...,N, las cantidades C 0 , C 1 ,...,C N para consumo y luego restituirlo al final pagando C 0 (1 + r)N + C 1 (1 + r)N −1 + ... + C N para ello habr´a que generar este payoff y esto se podr´a hacer si tenemos una cantidad inicial ν tal que E P ∗ ( o equivalentemente
C 0 (1 + r)N + C 1 (1 + r)N −1 + ... + C N ) = ν (1 + r)N ˜1 + ... + C ˜N ) = ν. E P ∗ (C 0 + C
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
80 Sea φ1n , φ2n ,...,φ dn
≤ ≤ la estrategia correspondiente. Tendremos
1 n N
n
˜1 + ... + C ˜N E P ∗ (C 0 + C
|F n) = ν +
˜i φi ∆S
·
i=0
y este ser´ıa el valor de la cartera autofinanciada si no hubiera consumo. Si a esta cartera se le quitan los consumos descontados hasta n, tendremos el valor de la cartera autofinanciada con consumo: n 1
˜n = E P ∗ (C 0 + C ˜1 + ... + C ˜N V
|F n) −
n 1
n
= ν +
˜i φi ∆S
·
i=0
−
−
−
˜i C
i=0
˜i C
i=0
Observaci´ on 2.3.2 Notemos que justo depu´ es de instante i-´esimo el valor de la cartera disminuye en C i . A partir de la estrategia autofinanciada sin consumo que replica C 0 (1 + r)N + C 1 (1 + r)N −1 + ... + C N , se puede obtener la estrategia autofinanciada con consumo simplemente quitando de la cuenta bancaria las cantidades C 0 , C 1 ,...,C N en los instantes correspondientes. Tenemos as´ı que el problema de consumo ´optimo es equivalente a N
max
(C,φ)
∈A
E (
N
αn u(C n )), E P ∗ (
n=0
˜n ) = ν C
n=0
por tanto el lagrangiano correspondiente es N
E (
,
N
n
α u(C n ))
n=0
− λ(E P ∗ (
˜n ) C
n=0
− ν ),
ahora bien N
E P ∗ (
N
˜n ) = C
n=0
N
˜n ) = E P ∗ (C
n=0
˜n L) E (C
n=0
N
=
˜n E (L E (C
N
|F n)) =
n=0
E (C n N n )
n=0
con N n := (1 + r)−n E (L
|F n). Por tanto
N
E (
N
n
α u(C n ))
n=0
− λ(E P ∗ (
N
= E (
n=0
˜n ) C
n=0
− ν )
N
αn u(C n ))
− λ(
C n N n
n=0
− ν ))).
2.3.
´ CONSUMO OPTIMO
J.M. Corcuera
Las condiciones de primer orden nos conducen a αn u (C n ) = λN n , 0
≤ n ≤ N
N
E (
C n N n ) = ν
n=0
con lo que C n = I (
λN n ), 0 αn N
ν = E (
n=0
I (
≤ n ≤ N
λN n )N n ) αn
Ejemplo 2.3.2 Si tomamos u(x) = log(c) tenemos I (y) = 1/y, con lo que C n =
αn ,0 λN n
≤ n ≤ N
N
N
αn 1 ν = E ( N n ) = αn λN λ n n=0 n=0 de manera que C n =
αn ν N n
N n=0
αn
Ejemplo 2.3.3 Si continuamos con el ejemplo (2.0.7) teniamos n = 0
n = 1
n = 2 9
1/2(2/3)
8
1/2(1/3) 1/2(1/4)
5
6
1/2(3/4) 1/2(1/3)
4
1/2(2/3)
3 con lo que los valores de N i (con r = 0) vienen dados por
∗
|F i) = E ( P P |F i) P ∗ = E ( |F i ), P
N i = E (L
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
82 y en nuestro caso
N 0 = 1, 1 4 1 2 3 4 1 2
N 1 (S 1 = 8) = N 1 (S 1 = 4) =
2 3 1 2 1 3 1 2
1 + 2 1 + 2
1 4 1 2 3 4 1 2
1 3 1 2 2 3 1 2
1 1 = 2 2 1 3 = 2 2
N 2 = L. Entonces, si usamos la utilidad logar´ıtmica, C 2 =
α2 ν L(1 + α + α2 )
para hallar la estrategia ´ optima tenemos ahora que replicar C 2 , esto es hallar 0 por ejemplo φ 28 , φ28 tales que φ028 + 9φ28 = φ028 + 6φ28 =
α2 ν 1 4 1 2
2 3 1 2
(1 + α + α2 ) α2 ν
1 4 1 2
1 3 1 2
(1 + α + α2 )
=
3 α2 ν 2 1 + α + α2
=
3α2 ν 1 + α + α2
con lo que 2
φ28 =
− 2(1 +ααν + α2) ,
an´ alogamente obtendr´ıamos φ24 =
α2 ν . 2(1 + α + α2 )
El consumo en 1 viene dado por c18 = C 1 (S 1 = 8) = =
2αν , 1 + α + α2
c14 = C 1 (S 1 = 4) = =
αν N 1 (S 1 = 8)(1 + α + α2 )
αν N 1 (S 1 = 4)(1 + α + α2 )
2αν , 3(1 + α + α2 )
2.3.
´ CONSUMO OPTIMO
J.M. Corcuera
De esta manera el valor de cartera en 1 vendr´ a dado por V 18 = φ 028 + 8φ28 + c18 =
3 α2 ν α2 ν + 2 1 + α + α2 2(1 + α + α2 )
2αν (1 + α + α2 ) 2α(1 + α)ν = , 1 + α + α2
+
y an´ alogamente V 14 =
2α(1 + α)ν . 3(1 + α + α2 )
Por ultimo ´ habr´ıa que replicar V 1 i esto nos conduce a 2α(1 + α)ν 1 + α + α2 2α(1 + α)ν φ0 + 4φ = , 3(1 + α + α2 ) φ0 + 8φ =
con lo que φ =
α(1 + α)ν , 3(1 + α + α2 )
el consumo en el instante inicial es C 0 =
ν 1 + α + α2
de manera que el valor de la cartera en el instante inicial ser´ a 2α(1 + α)ν α(1 + α)ν + 2 3(1 + α + α ) 3(1 + α + α2 ) ν + 1 + α + α2 = ν
φ0 + 5φ + C 0 =
como ten´ıa que ocurrir.
2.3.3
Utilidad m´ axima para el consumo y la riqueza terminal
Se trata de m´aximizar N
max E (
(C,φ) V 0 =ν
∈A
n=0
αn uc (C n ) + αN u p (V N
− C N ))
donde u c y u p son funciones de utilidad en principio distintas.
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
84
M´ etodo de programaci´ on din´ amica Definimos como siempre el proceso ”valor ´optimo”
N
U n (y) = max
E (
αj −n uc (C j ) + αN −n u p (V N
− C N )|F n), C n ≥ 0 F n-medible, (C j , φj )n+1≤j≤N ∈ A,
j=n
entonces tendremos que U n (y) = max(uc (C ) + αE (U n+1 ((1 + r)n+1 ( C,φ
y ˜n+1 + φ ∆S (1 + r)n
− C ˜n))|F n))
·
− 1, pero ahora U N (y) = uc(y), de hecho U N (y) = max(uc (c) + u p (y − c)). c
para n = 0, 1,...,N
M´ etodo de martingala Suponemos que el mercado es completo. Se trata ahora de replicar un proceso de consumo C 0 , C 1 ,...,C N −1 y al final disponer de una riqueza V N . Esto se puede conseguir replicando el ”payoff” C 0 (1 + r)N + C 1 (1 + r)N −1 + ... + C N −1 (1 + r) + V N pero para esto se necesitar´a una riqueza inicial ˜1 + ... + C ˜N −1 + V ˜N ) ν = E P ∗ (C 0 + C por tanto el Lagrangiano correspondiente ser´a N 1
N
E (
n
N
− C N ) − λ(
α uc (C n ) + α u p (V N
n=0
−
y las condiciones de primer orden αn uc (C n ) = λN n , 0
≤ n ≤ N − 1 αN uc (C N ) = α N u p (V N − C N ) αN u p (V N − C N ) = λN N N 1
ν = E (
−
n=0
− ν )),
C n N n + V N N N
n=0
C n N n + V N N N ).
´ EN EL MODELO DE BLACK-SCHOLES J.M. Corcuera 2.4. OPTIMIZACI ON
2.4
Optimizaci´ on en el modelo de Black-Scholes
El modelo de Black-Scholes, consiste en un mercado con dos activos. Un activo sin riesgo, S 0 que evoluciona como: dS t0 = rS t0 dt,
t
≥ 0
donde r es una constante no negativa, esto es, suponiendo S 00 = 1, S t0 = e rt ,
t
≥ 0
y un activo con riesgo S que evoluciona como dS t = S t (µdt + σdBt )
≥ 0
t
donde (Bt ) es un movimiento browniano, esto es: 2
{ − σ2 t + σBt}.
S t = S 0 exp µt
Si suponemos un proceso de inversi´on-consumo (c, φ) y una riqueza inicial x tendremos t
V t = x +
0
φ0s dS t0
t
+
0
φ1s dS t
t
−
cs ds.
0
En t´erminos de los par´ametros del sistema dV t = φ0t re rt dt + φ1t S t (µdt + σdBt )
−
ct dt 1 + φt S t (µdt + σdBt ) ct dt + φ1t S t (µ r)dt + φt S t dBt
φ1t S t )dt
− − − = (rV t − ct )dt = (rV t − ct )dt + πt (µ − r)dt + πt σdBt = r(V t
donde π t := φ1t S t es la cantidad invertida en el activo con riesgo. Un caso particular Consideremos el caso en que queremos maximizar la utilidad terminal y que usamos la utilidad logar´ıtmica. En este caso c t = 0, 0 t T . En este caso
≤ ≤
dV t = rV t dt + πt (µ = V t (r + θt (µ
{
− r)dt + πtσdBt − r))dt + θtσdBt}
πt donde θ t := V , es decir la fracci´on de riqueza invertida en el activo con riesgo. t Supongamos que utilizamos la utilidad logar´ıtmica, de manera que queremos resolver max E (log(V T )). θ
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
86 Tenemos dlog(V t ) =
2 2
dV t V t
2
− 12 θt σV 2V t dt t
= (r + θt (µ
− r) − 12 θt2σ2)dt + θtσdBt,
de manera que
T
E (log(V T )) = log(V 0 ) + E
(r + θs (µ
0
Entonces si asumimos que
T 2 0 E (θt )dt
<
− r) −
1 2 2 θ σ )ds 2 s
(r + θs (µ
0
y obtendremos un m´aximo si θt =
2.4.1
µ
T
+ E (
θt σdBt ).
0
∞. Tendremos que
T
E (log(V T )) = log(V 0 ) + E
− r) −
1 2 2 θ σ )ds 2 s
− r.
σ2
M´ etodo de programaci´ on din´ amica. HJB.
Ecuaci´ o n de
Vamos a extender la noci´on de funci´on de utilidad Definici´ on 2.4.1 Una funci´ on de utilidad U : [0, 0,1 aplicaci´ on C tal que
∞) × (0, ∞) →
R es
una
·
1. U (t, ) es estrictamente creciente y estrictamente c´oncava 2. la derivada U (t, c) = (∂/∂c)U (t, c) es tal que para todo t
≥ 0
lim U (t, c) = 0
→∞
c
lim+ U (t, c) =
→0
c
∞
Notemos que U (t, c) es estrictamente decreciente en c de manera que tenemos una funci´on inversa I (t, c) tal que I (t, U (t, c)) = c = U (t, I (t, c))
∈ ∞
para todo c (0, ). Quremos resolver T
max E (
c,θ V 0 =x
0
F (t, ct )dt + G(V T ))
´ EN EL MODELO DE BLACK-SCHOLES J.M. Corcuera 2.4. OPTIMIZACI ON
≥ 0,
donde F y G son funciones de utilidad (esta ´ultima independiente de t) y c t para todo t 0. Definamos el proceso valor ´optimo
≥
T
H (t, x) = max E ( c,θ V t =x
F (t, cs )ds + G(V T )
t
|F t),
vamos a considerar ´unicamente estrategias markovianas θ t = θ(t, V t ), donde
{
dV t = V t (r + θt (µ
− r))dt + θtσdBt} − ctdt.
T
H (t, x) = sup E (
F (s, cs )ds + G(V T ))
t
c,θ V t =x
t+h
= sup E (
T
F (s, cs )ds +
t
c,θ V t =x
t+h
T
|F t) + E (
= sup (E (
F (s, cs )ds
t
c,θ V t =x
|F t))
F (s, cs )ds + G(V T )
t+h
|F t+h)|F t))
F (s, cs )ds + G(V T )
t+h
t+h
|F t) + H (t + h, V t+h)|F t)
= sup (E (
F (s, cs )ds
t
c,θ V t =x
Si suponemos que H (t, x) es C 1,2 para poder aplicar la f´ormula de Itˆo tendremos t+h
H (t + h, V t+h ) = H (t, V t ) +
(
t
t+h
+
t
∂H dV s ∂x
t+h
= H (t, x) +
(
t
t+h
+
t
t+h
(
t
t+h
+
t
Asumiendo ahora que tendremos
∂H 1 ∂ 2 H 2 2 2 + V θ σ )ds ∂s 2 ∂x 2 s s
∂H dV s (suponemos que V t = x) ∂x
= H (t, x) +
∂H 1 ∂ 2 H 2 2 2 + V θ σ )ds ∂s 2 ∂x 2 s s
∂H ∂ H + (V s (r + θs (µ ∂s ∂x
2
− r)) − cs) + 12 ∂ ∂xH 2 V s2 θs2σ2)ds
∂H V s θs σdBs . ∂x T ∂H 2 0 E ( ∂x V s θs ) dt
|F t) = H (t, x)
<
∞, o bien localizando el proceso,
E (H (t + h, V t+h )
t+h
+ E (
t
(
∂H ∂ H + (V s (r + θs (µ ∂s ∂x
2
− r)) − cs ) + 12 ∂ ∂xH 2 V s2 θs2σ2)ds|F t).
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
88
Tenemos entonces que para todo h t+h
0 = sup E (
t
c,θ V t =x
t+h
= E (
t
(F (s, cs ) +
(
≥ 0
∂ H ∂ H + (V s (r + θs (µ ∂s ∂x
2
− r)) − ct) + 12 ∂ ∂xH 2 V s2 θs2σ2)ds|F t)
∂H ∂ H + sup (F (s, cs ) + (V s (r + θs (µ ∂s ∂x c,θ
2
− r)) − ct) + 12 ∂ ∂xH 2 V s2 θs2σ2))ds|F t)
V t =x
≥
como esto ocurre para todo h 0, si el integrando es continuo, dividiendo por h y tendiendo el l´ımite a cero (asumiendo que podemos intercambiar el l´ımite y la esperanza) tendremos la ecuaci´on para H (t, x) : ∂H ∂H 1 ∂ 2 H 2 2 2 +sup (F (t, ct )+ (x(r+θt (µ r)) ct )+ x θt σ ) = 0.(Hamilton-Jacobi-Bellman) ∂t ct ,θt ∂x 2 ∂x 2
− −
con la condici´on de contorno H (T, x) = G(x). Ejemplo 2.4.1 Si consideramos el problema del consumo y riqueza terminal optimos la ecuacion de HJB correspondiente ser´ ´ a: ∂H ∂ H + sup(F (t, c) + (x(r + θ(µ ∂t ∂x c,θ
2
− r) − c) + 12 ∂ ∂xH 2 x 2θ2σ2) = 0,
(2.3)
primero resolvemos el problema de optimizaci´ on est´ atico ∂ H sup(F (t, c) + (x(r + θ(µ ∂x c,θ
− r)) −
1 ∂ 2 H 2 2 2 c) + x θ σ ), 2 ∂x 2
que nos da como soluci´ on
⇐⇒ ˆc = I (t, ∂H ) ∂x ∂H ∂x µ − r ˆ − θ = , x ∂ H σ2
F (t, cˆ) =
∂H ∂x
2
∂x 2
Si tomamos como funci´ ones de utilidad F (t, x) = e−δt log x y G(x) = log x resultar´ a cˆ = ˆ θ =
1 eδt ∂H ∂x ∂H ∂x ∂ 2 H x ∂x 2
−
(2.4) µ
− r.
σ2
(2.5)
En vista de las caracter´ısticas del problema podemos intentar una soluci´ on de la forma H (t, x) = a(t)log x + b(t),
´ EN EL MODELO DE BLACK-SCHOLES J.M. Corcuera 2.4. OPTIMIZACI ON
donde, por la condici´ on de contorno, a(T ) = 1, b(T ) = 0, tendr´ıamos entonces, substituyendo en (2.4,2.5 ) e−δt x a(t) ˆ µ r, θ = σ2 cˆ =
−
asimismo ∂H = a(t)log ˙ x + ˙b(t) ∂t ∂H a(t) = ∂x x 2 ∂ H a(t) = . 2 ∂x x2
−
Teniendo en cuenta todo esto la ecuaci´ on (2.3) queda de la forma e −δt 1 (µ r)2 0 = a(t)log ˙ x + ˙b(t) + e−δt log x + a(t)(r + ) a(t) 2 σ2
−
− e−δt = 0
Esto da condiciones para a(t) y b(t). En particular
−e−δt
a(t) ˙ = con lo que a(t) = 1 +
e −δt
− e−δT .
δ Por tanto los consumos y estrategias ´ optimas vienen dados por δe −δt
ct =
δ + e−δt µ r θ = σ2
−
2.4.2
− e−δT V t
M´ etodo de martingala
≥
F
Proposici´ on 2.4.1 Sea ξ 0 una variable aleatoria positiva T -medible. Y sea (cs )0≤s≤T un proceso adaptado positivo, esto es un proceso de consumo. Supongamos que ˜ + E P ∗ (ξ
T
c˜s ds) = x
0
˜2 + T c˜2 ds) < entonces existe una estrategia admisible, con valor y que E P ∗ (ξ 0 s inicial x, que replica el proceso de consumo de manera que la riqueza final es ξ .
∞
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
90
T
Demostraci´ on. Consideremos la variable T -medible ξ + 0 cs er(T −s) ds 0. Sabemos que al ser de cuadrado integrable existe una estrategia admisible que la replica de manera que su valor actualizado en cada instante es
F
˜ + E P ∗ (ξ
T
t
|F t) = x +
c˜s ds
0
0
≥
˜t , φ1s dS
esta estrategia autofinanciada es la que posibilita el consumo cs ds en cada inT stante s, de manera que al final habr´ıa que devolver al banco 0 cs er(T −s) ds. En realidad la estrategia autofinanciada ”con consumo” coincide con la anterior en la parte que se invierte en el activo con riesgo, la parte que queda en el banco difiere, de manera que el valor actualizado de la cartera para la estrategia autofinanciada con consumo es:
t
x+
0
˜t φ1s dS
t
− 0
˜ + c˜s ds = E P ∗ (ξ
T
c˜s ds
t
|F t)
(2.6)
Consideremos entonces el problema T
max E (
(c,φ) V 0 =x
F (t, ct )dt + G(V T )),
0
le corresponder´a el lagrangiano T
E (
F (t, ct )dt + G(V T ))
0
= E (
− λ(E P ∗ (V ˜T +
T
F (t, ct )dt + G(V T )
0
− λ(V ˜T Z T +
T
T
c˜t dt)
0
− x)
T
c˜t Z t dt
0
− x)
T
− λ(V T N T + ctN tdt − x), 0 0 ∗ −rt Z t , 0 ≤ t ≤ T.Las condiciones de primer donde Z t = E ( dP dP |F t ) y N t = e = E (
F (t, ct )dt + G(V T )
orden nos conducen a
F (t, ct ) = λN t G (V T ) = λN T T
E (V T N T +
ct N t dt) = x
0
Entonces si escribimos I 1 (t, x) la funci´on inversa de F (t, x) e I 2 (x) la funci´on inversa de G (x), tenemos ct = I 1 (t,λN t ) V T = I 2 (λN T ) T
E (I 2 (λN T )N T +
0
I 1 (t,λN t )N t dt) = x.
´ EN EL MODELO DE BLACK-SCHOLES J.M. Corcuera 2.4. OPTIMIZACI ON
Ejemplo 2.4.2 Consideremos el ejemplo anterior. En primer lugar e−δt λN t 1 V T = , λN T ct =
con λ tal que T
1 1 + λ λ
e−δt dt = x,
0
esto es δ + 1
λ =
− e−δT .
δx
Notemos, a partir de (2.6) que ˜t = E P ∗ (V ˜T + V = = =
T
t
E (V T N T + 1 1 λ + λ
|F t) T cs N s ds|F t ) t c˜s ds
Z t T δs ds t e
−
Z t
γ (t)x , Z t
esto es V t = con γ (t) =
γ (t)x N t
δ + e−δt e−δT , 1 + δ e−δT
de esta manera podemos concluir que
− −
e−δt e−δt ct = = V t λN t γ (t)λx δe−δt = V t , δ + e−δt e−δT
−
tal como hab´ıamos obtenido. Para calcular la estrategia ´ optima por este m´etodo, necesitamos escribir V t en t´erminos de S t y para ello explicitar el proceso (N t ). A partir de (1.10) tenemos que dP ∗ Z t = E ( dP
|F t) = exp{ −σ µ Bt − 12 r
− r
µ
σ
2
} ≤ t ≤ T
t ,0
´ DE CARTERAS CAP ´ ITULO 2. OPTIMIZACI ON
92
2
{ − σ2 t + σBt}, resulta que
y como S t = S 0 exp µt Z t = =
S t exp S 0
σ 2 µt + t 2
S t exp S 0
σ 2 µt + t 2
} }
{− {−
r
−µ
r µ σ2
−
r µ σ2
exp
r
exp
1 2
r
−
σ
para ciertas constantes a y b.Como µ−r ˜t = γ (t)x = 1 γ (t)xe−bt S t σ2 V Z t a
y buscamos φ tal que t
˜s φ1s dS
0
t
−
c˜s ds
0
resultar´ a que − ˜t ∂ V µ r ert −bt S µσ2r −1 = γ ( t)xe t ˜t σ2 a ∂ S ˜t µ r ert V µ r V t = = , 2 σ S t σ 2 S t
−
φ1t =
−
de manera que
−
φ1t S t µ r = . V t σ2
−
al igual que obteniamos por el otro m´etodo. Ejercicio 2.4.1 Resolver el problema de minimizar T
{
E (exp
0
2 u2t dt + X T )
}
si dX t = (ax + ut )dt + σdW t , donde el control u t no tiene restricciones.
2
µ
2
σ
= S t σ2 aebt ,
˜t = x + V
µ
− {− − {− 1 2
t
}
t
}
Cap´ıtulo 3
Modelos de tipo de inter´ es Los modelos de tipos de inter´ es son usados principalmente para valorar y recubrir bonos y opciones sobre bonos. Se˜nalar que no existe un modelo de referencia como el modelo de Black-Scholes para opciones sobre ”stocks”.
3.1 3.1.1
Modelizaci´ on La curva de tipos
En los modelos que hemos estudiado los tipos de inter´ es se supusieron constantes. En la pr´ actica el inter´ es depende de la fecha de emisi´on del pr´estamo y del final o madurez del mismo. Alguien que pide prestado un euro en el instante t, hasta la madurez T , tendr´ a que pagar una cantidad F (t, T ) en el instante T , lo cual equivale a un tipo medio de tasa de inter´es cont´ınuo R(t, T ) dado por la igualdad: F (t, T ) = e(T −t)R(t,T ) . Si suponemos conocidos los tipos de inter´es (R(t, T ))0≤t≤T , y no hay arbitraje, se deber´a cumplir que
∀ ≤ u ≤ s,
F (t, s) = F (t, u)F (u, s), t
y de aqu´ı junto con con la igualdad F (t, t) = 1, se sigue, si F (t, s) es derivable como funci´on de s, que existe una funci´on r(t) tal que
T
F (t, T ) = exp
t
En efecto, sea s
r(s)ds .
≥ t
F (t, s + h)
− F (t, s) = F (t, s)F (s, s + h) − F (t, s) = F (t, s)(F (s, s + h) − 1), 93
CAP ´ ITULO ITULO 3.
94
´ MODELOS MODELOS DE TIPO TIPO DE INTER INTER ES
−
tendiendo h tendiendo h
F ( F (t, s + h) F ( F (t, s) F ( F (s, s + h) = F ( F (t, s)h h 0 tendremos
→
F (s, s) − F ( ,
∂ 2 F ( F (t, s)/∂s = ∂ 2 F ( F (s, s)/∂s := /∂s := r r((s) F ( F (t, s)
y de aqu´ aq u´ı
T
F ( F (t, T ) T ) = exp
r(s)ds )ds .
t
Notemos que R(t, T ) T ) =
T
1
r(s)ds. )ds. T t t La funci´on on r (s) se interpreta como un tipo de inter´ inter´es es instant´aneo, aneo, se le suele llamar ”tipo en corto” (”short rate”). Plante´emoslo emoslo al rev´es. es. Supongamos Supon gamos que quiero q uiero un contrato co ntrato que q ue me garantize el cobro de un euro en el instante T instante T .. Tendremos entonces lo que se llaman bonos . ¿Cuanto tendr´ ten dr´e que pagar p agar por p or el precio p recio de un bono bo no en el e l instante t?. t?. Para Para recibir recibir F ( F (t, T ) T ) en el instante T T tenemos que pagar ( poner en la cuenta bancaria) la cantidad de un euro, por tanto habr´a que pagar 1/F 1 /F ((t, T ). T ). En la pr´actica actica no se conocen los precios de los bonos para los diferentes instantes, estos van cambiando aleatoriamente con el instante inicial, pero intuitivamente parece que tenga que existir una relaci´on entre los precios correspondient spondientes es a los diferente diferentess instante instantess iniciale inicialess y de madurez. madurez. El ´animo de los modelos modelos de bonos es establecer establecer estas relaciones. relaciones. El principa principall objeto objeto de estudio estudio es lo que llamar llamaremo emoss ”bono ”bono sin cupones” cupones” (”zero coupon bond”).
− −
Definici´ on on 3.1.1 Un bono sin cupone cuponess con madur madurez ez T T es un contr ontrato que garantiza el cobro de un euro en el instante T . T . Su pre precio en el instante instante t lo escribiremos P ( P (t, T ) T ). El convenio de que el pago en el instante de la madurez sea 1 , conocido comoo ”valo com ”valorr princi principal pal”, ”, es por simpli simplicid cidad. ad. Los bonos con cupones cupones son los que van dando ciertas ciertas cantidades cantidades (cupones) hasta el final del periodo. Todos estos instrumentos tienen en com´un un que proporcionan al propietario un flujo determinista de dinero y por ello se llaman activos de renta fija. Definici´ on on 3.1.2 La curva de tipos (de un bono sin cupones) es la gr´ afica correspondiente de la aplicaci´ on R (t, T ) T ) −→ R(
T
Hemos visto que si pudieramos anticipar el futuro, o si quiseramos construir un mercado con los precios de los bonos fijados para los diferentes instantes de negociaci´on on y madurez la condici´on on de ausencia de arbitraje nos conducir´ conducir´ıa a P ( P (t, T ) T ) = e −
T t
r(s)ds )ds
.
´ 3.1. MODELIZ MODELIZAC ACI I ON
J.M. Corcuera
y R(t, T ) T ) =
3.1.2 3.1.2
1
− − t
T
T
r(s)ds )ds
t
Curv Curva de tipos tipos para para un futuro futuro inci inciert erto o
Para un falor fijo de t de t,, P ( P (t, T ) T ) es una funci´on on de T de T cuya cuya gr´afica afica nos da la ”curva de precios de los bonos en t en t”” o ”la estructura a t´ ermino” ermino” (”term structure”) en t. Es de esperar que sea una funci´on on suave. Si fijamos T fijamos T ,, p( p (t, T ) T ) ser´a un proceso estoc´astico. astico. En este contexto, contexto, nuestro nuestro mercado de bonos va a ser un mercado mercado con infinitos activos (para cada T T tenemos in activo) y lo que nos vamos a plantear es preguntas como: modelos delos son razonables para valorar valorar los bonos ? • ¿qu´e mo • ¿qu´ ¿ qu´e relac rel aci´ i´on on deben tener los precios de los bonos para que no haya arbitraje?
• ¿podemos derivar precios de los bonos libres de oportunidades de arbitraje a partir de un modelo de los tipos en corto?
• dado un modelo para un mercado de bonos, ¿c´omo podemos calcular los precios de derivados, como por ejemplo opciones de compra europeas de bonos?
3.1.3
Tipos de inter´ inter´ es es
Considerem Consideremos os el siguient siguientee ejemplo. ejemplo. Supongamos Supongamos que estamos estamos en el instante instante t y fijamos otros instantes futuros S y T , T , t < S < T . T . El pro prop´ p´ osito osito es construir en el instante t instante t un contrato que nos permita invertir en el instante S un S un euro y tener tene r un inter´es es determinista en el periodo [S, [ S, T ], T ], de modo que obtengamos una cantidad en T determinista. T determinista. Esto se puede hacer de la siguiente manera: 1. En el instant instantee t vendemos un bono con madurez S madurez S .. Esto nos proporciona P ( P (t, S ) euros. 2. En el instant instantee t compramos P compramos P ((t, S )/P ( /P (t, T ) T ) bonos que maduren en T . T . Notemos que esto implica lo siguiente: 1. En el instant instantee t el coste de la operaci´on on es cero. 2. En el instant instantee S , S , tenemos que pagar 1 euro. 3. En el instant instantee T recibimos T recibimos P P ((t, S )/P ( /P (t, T ) T ) euros. La cantidad que recibimos P ( P (t, S )/P ( /P (t, T ) T ) se puede indicar mediante tipos simples simp les o cont´ınuos: ınuos :
CAP ´ ITULO ITULO 3.
96
´ MODELOS MODELOS DE TIPO TIPO DE INTER INTER ES
• El inter´ inter´es es simple a plazo (LIBOR), L = L(t; S, T ), T ), que es la soluci´on on de la ecuaci´on: on:
P ( P (t, S ) − − S )L = P ( P (t, T ) T )
1 + (T ( T
es decir decir es el inter´ inter´ es es simple simple que se garantiza garantiza para el periodo [ S, T ] T ] en el instante t. E l inter´ int er´es es cont con t´ınuo ınu o a plazo pla zo R = R = R((t; S, T ), on de la ecuaci´on: on: • El T ), soluci´on eR(T −S ) =
P ( P (t, S ) . P ( P (t, T ) T )
an´ alogamente alogamente al caso anterior, es el inter´es es cont´ cont´ınuo que q ue se garantiza, en el instante t, para el periodo [S, [ S, T ] T ]. La anotaci´on on en t´ermin erm inos os de inter´ inte r´es es simple es la que se usa en el mercado, mientras que la otra se utiliza en contextos te´oricos. oricos. Por tanto dado el mercado de bonos, podemos definir diferentes tipos de inter´ inter´es, es, es decir los precios de los bonos b onos se pueden indicar, presentar o marcar, de diferentes maneras. Definici´ on on 3.1.3 1. El tipo a plazo simple para el intervalo [S, T ] T ] contratado en t, (LIBOR a plazo) se define como L(t; S, T ) T ) =
P (t, T ) T ) − P ( P (t, S ) − P ( (T − P (t, T ) T ) − S )P (
2. El inter´ int er´es es actual act ual simple simpl e (”spot”) para para [t, [ t, T ] T ], LIBOR actual, se define como L(t, T ) T ) =
P (t, T ) T ) − 1 , − (T P ( P (t, T ) T ) − − t)P (
es el anterior haciendo S = t. = t. 3. El tipo de inter´ es es continuo a plazo contratado en t para [ para [S, S, T ] T ] como R(t; S, T ) T ) =
P (t, T ) T ) − log P ( P (t, S ) − log P ( − S T −
4. El tipo de inter´ es es continuo actual para para [ [t, t, T ] T ] como R(t, T ) T ) =
P (t, T ) T ) − logT P ( − − t
5. El tipo de inter´ es es instant´ aneo a plazo (”forward rate”) con madurez T , T , contratado en t como f (t, T ) T ) =
∂ log P ( P (t, T ) T ) − ∂ log = lim lim R(t; S, T ) T ) T →S ∂T
´ 3.1. MODELIZACI ON
J.M. Corcuera
6. El tipo de inter´ es en corto (”short rate”) o instant´ aneo en t r(t) = f (t, t) = lim f (t, T )
→t
T
Notemos que el tipo de inter´es instant´aneo a plazo con madurez T , contratado en t se puede interpretar como el tipo de inter´es determinista contratado en t para el periodo infinitesimal [ T, T + dT ]. Fijado t, cualquier tipo de inter´es de los definidos anteriormente permite recuperar los precios de los bonos con cualquier madurez. Entonces modelizar estos tipos, o sea dar su din´amica en t, es equivalente a modelizar los precios de los bonos. Vamos a definir ahora el proceso ”cuenta bancaria” o activo ”sin riesgo”. Crearemos un escenario aleatorio para los tipos de inter´es instant´aneos r(s). En concreto consideraremos un espacio de probabilidad dotado de una filtraci´on (Ω, , P, ( t )0≤t≤T ), supondremos que ( t )0≤t≤T es la filtraci´on natural generada por un movimiento browniano (W s )0≤t≤T y que T = . En este contexto introducimos el activo ”sin” riesgo
F F
F
S t0 =
F F
t
exp
{
}
r(s)ds
0
t
|
|
∞
donde (r(t))0≤t≤T es un proceso adaptado con 0 r(s) ds < . En nuestro mercado tendremos tambi´en activos con riesgo, estos ser´a n los bonos ! (sin cupones) de madurez menor o igual al horizonte T. Para cada instante u T definimos un proceso adaptado (P (t, u))0≤t≤u satisfaciendo P (t, t) = 1. Hagamos ahora la hip´otesis: (H) Existe una probabilidad P ∗ equivalente a P tal que para todo 0 u T , ( ˜ P (t, u))0≤t≤u definido por
≤
≤ ≤
˜ u) = e− P (t,
t r (s)ds 0
P (t, u)
es una martingala. Esta hip´otesis tiene las siguientes interesantes consecuencias. Proposici´ on 3.1.1 P (t, u) = E P ∗ Demostraci´ on.
e−
u t
˜ u) = E P ∗ (P (u, ˜ u) P (t, = E P ∗ (e−
u 0
r(s)ds
|F t) = E P ∗ (e− r(s)ds |F t),
|F t
u 0
r(s)ds
con lo que eliminando el factor de descuento P (t, u) = E P ∗ (e−
u t
r(s)ds
|F t)
P (u, u)
|F t)
CAP ´ ITULO 3.
98
´ MODELOS DE TIPO DE INTER ES
∗
∗
dP Si escribimos, como siempre, Z T = dP t ) es dP , sabemos que Z t := E ( dP una martingala estrictamente positiva, entonces del hecho de que la filtraci´on es la generada por un movimiento browniano resultar´a la siguiente representaci´on:
|F
Proposici´ on 3.1.2 Existe un proceso adaptado (q (t))0≤t≤T tal que, para todo 0 t T , t 1 t 2 Z t = exp q (s)dW s q (s)ds , c.s. 2 0 0
≤ ≤
{
−
}
Demostraci´ on. Como Z t es una martingala browniana, un argumento de localizaci´on (ya que no sabemos si es de cuadrado integrable), nos permite extender el teorema (1.5.5) y concluir que existe un proceso ( H t ) satisfaciendo T 2 , c.s., tal que 0 H t dt <
∞
t
Z t = 1 +
H s dW s ,
0
ahora como Z t > 0, P c.s., y aplicando la formula de Itˆo, tendremos t
log Z t =
0
de manera que q (s) =
H s Z s ,
H s dW s Z s
−
1 2
t
0
H s2 ds Z s2
c.s.,
Corolario 3.1.1 El precio en el instante t de un bono (sin cupones) con madurez u T viene dado por
≤
P (t, u) = E (e−
u t
r(s)ds+
u t
q(s)dW s
− 12
u t
q2 (s)ds
|F t)
Demostraci´ on. E P ∗ (e−
u t
r(s)ds
|F t) =
E (e−
u t
r(s)ds
Z u
Z t
= E (e−
u t
r(s)ds Z u
= E (e−
u t
r(s)ds+
Z t
|F t) |F t)
u t
q(s)dW s
− 12
u t
q2 (s)ds
|F t).
La siguiente proposici´on da una interpretaci´on econ´omica del proceso q. Proposici´ on 3.1.3 Para cada madurez u, existe un proceso adaptado (σtu ) 0≤t≤u tal que, para todo 0 t u,
≤ ≤
dP (t, u) = (r(t) P (t, u)
− σtu q ((t))dt + σtu dW t
´ 3.1. MODELIZACI ON
J.M. Corcuera
˜ u) es una martingala bajo P ∗ resultar´a que Demostraci´ on. Como P (t,
˜ u)Z t lo es bajo P , adem´as es estrictamente positiva y argumentando P (t, como antes tendremos que ˜ u)Z t = P (0, u)e P (t,
t 0
θsu dW s
− 12
t (θsu )2 ds 0
para cierto proceso adaptado (θsu )0≤t≤u , de manera que t
{
P (t, u) = P (0, u)exp
t
r(s)ds +
0
−
1 2
t
0
((θsu )
2
0
(θsu
− q (s))dW s
− q 2(s))ds},
de manera que, aplicando la f´ormula de Itˆo, dP (t, u) = r(t)dt + (θtu q (t))dW t P (t, u) 1 u 2 ((θt ) q 2 (t))dt 2 1 u + (θt q (t))2 dt 2 = (r(t) + q 2 (t) θtu q (t))dt + (θtu q (t))dW t ,
−
−
−
−
−
−
y el resultado se sigue tomando σ tu = θ tu
− q (t).
Observaci´ on 3.1.1 Si comparamos la f´ ormula dP (t, u) = (r(t) P (t, u) con
− σtu q ((t))dt + σtu dW t
dS t0 = r(t)dt S t0
encontramos que los bonos son activos con mayor riesgo que el activo ”sin riesgo” S 0 . Notemos tambi´en que bajo P ∗ ˜ t := W t W
t
−
q (s)ds
0
F
es un ( t )- browniano est´ andar (por el teorema de Girsanov (1.5.3)) y podemos escribir dP (t, u) ˜ t = r(t)dt + σtu dW P (t, u) justificando el nombre de probabilidad neutral que se da a P ∗ .
CAP ´ ITULO 3.
100
3.2
´ MODELOS DE TIPO DE INTER ES
Opciones sobre bonos
Supongamos un derivado europeo con madurez T y payoff (P (T, T ∗ )
− K )+
donde T ∗ > T y P (T, T ∗ ) es el precio de un bono que madura en T ∗ . El prop´osito es valorar y recubrir este derivado, esta ´opci´on de compra del bono que madura en T ∗ . Parece razonable tratar de recubrir el derivado a partir del stock sin riesgo t S t0 = e 0 r (s)ds y del stock con riesgo t
P (t, T ∗ ) = P (0, T ∗ )exp{
0
(r(s)
−
∗ 1 σsT 2
2
t
)ds +
0
∗
˜ s , σsT dW
de manera que una estrategia ser´a un par de procesos adaptados φ0t , φ1t 0≤t≤T ∗ que representan la cantidad de activos sin riesgo y de bonos con madurez T ∗ respectivamente. El valor de la cartera autofinanciada en el instante t vendr´a dado por V t = φ0t S t0 + φ1t P (t, T ∗ )
y la condici´on de autofinanciaci´on implica que dV t = φ0t dS t0 + φ1t dP (t, T ∗ ) = φ0t r(t)e
t r (s)ds 0 t 0
∗ ˜ t ) dt + φ1t P (t, T ∗ )(r(t)dt + σtT dW
∗ ˜ t + φ1t r(t)P (t, T ∗ ))dt + φ1t σtT P (t, T ∗ )dW ∗ ˜ t , = r(t)V t dt + φ1t σtT P (t, T ∗ )dW
= (φ0t r(t)e
r(s)ds
T
|
|
entonces impondremos las condiciones 0 r(t)V t dt < , para que lo anterior est´e bien definido.
∞
∞ y 0T |φ1t σtT ∗ P (t, T )|2dt <
Definici´ on 3.2.1 Una estrategia φ = (φ0t , φ1t )0≤t≤T es admisible si es autofi˜t , es no negativo. nanciada y su valor descontado, V Proposici´ on 3.2.1 Sea T < T ∗ . Supongamos que sup0≤t≤T r(t) < c.s. y ∗ T que σ t = 0 c.s. para todo 0 t T . Sea h una variable aleatoria T -medible T tal que ˜h = e− 0 r(s)ds h sea de cuadrado integrable bajo P ∗ . Entonces existe una estrategia admisible que en el instante T vale h y su valor en t T viene dado por T V t = E P ∗ (e− t r(s)ds h t ).
∞ F ≤
≤ ≤
|F
Demostraci´ on. ˜h es una variable T -medible, con T = σ(W t , 0 adem´ as es de cuadrado integrable respecto a P ∗ por tanto
F
F
˜ M t := E P ∗ (h
|F t)
≤ t ≤ T ),
J.M. Corcuera
3.2. OPCIONES SOBRE BONOS
es una P ∗ -martingala de cuadrado integrable. Entonces (M t Z t ) es una P martingala, no necesariamente de cuadrado integrable. En efecto, sabemos que ˜ E P ∗ (h de manera que
˜
|F t) = E (hZ Z Tt |F t)
˜ T M t Z t = E (hZ
|F
|F t)
˜ T t ) es claramente una P -martingala. De esta manera tendremos, y E (hZ por una ligera generalizaci´on del teorema (1.5.5), t
M t Z t = E (M t Z t ) +
J s dW s ,
0
T 2 0 J s ds <
∞ c.s., por tanto Z t dM t + M t dZ t + d M, Z t = J s dW s ,
con (J s ) adaptado y tal que
esto es 1 J t t −M t dZ − dM, Z t + dW t Z t Z t Z t 1 J t = −M t q (t)dW t − dM, Z t + dW t Z t Z t J t 1 − =( M t q (t))dW t − dM, Z t Z t Z t J t J t =( M t q (t))dW t − ( − M t q (t))q (t)dt − Z t Z t J t ˜ t = H t dW ˜ t − M tq (t))dW =( Z t
dM t =
con H t :=
J t Z t
− M tq (t), 0 ≤ t ≤ T .Entonces si tomamos φ1t =
H t
|F t) − σH T t∗
˜ , φ0t = E P ∗ (h ∗˜ T ∗ σ P (t, T ) t
tendremos una cartera autofinanciada con valor final e ˜t = d(e− dV
t (s)ds 0 r
t (s)ds 0 r
V t ) =
−e−
t (s)ds 0 r
t
T 0
r(s)ds
r(t)V t dt + e−
M T = h.En efecto
t 0
r(s)ds
dV t
∗ ˜ t ) ( r(t)V t dt + r(t)V t dt + φ1t σtT P (t, T ∗ )dW ∗ ˜ T ∗ )dW ˜ t = H t dW ˜ t = dM t = φ 1t σtT P (t,
= e −
−
T
por tanto tendremos una cartera autofinanciada con valor final e 0 r(s)ds M T = ˜t 0 . La condici´ h. Es inmediato que V on sup0≤t≤T r(t) < c.s. garantiza que
T 0
|
|
r(t)V t dt <
∞.
≥
∞
CAP ´ ITULO 3.
102
3.3
´ MODELOS DE TIPO DE INTER ES
Modelos basados en los tipos instant´ aneos
Consideremos una evoluci´on de la forma dr(t) = µ(t, r(t))dt + σ(t, r(t))dW t
(3.1)
y supongamos que P (t, T ) = F (t, r(t); T )
(3.2)
donde F es una funci´on suave en R+ R R+ .Evidentemente se deber´a cumplir la condici´on de contorno F (T, r(T ); T ) = 1, cualquiera que sea el valor de r(T ). Consideremos dos bonos con distinta madurez T 1 y T 2 > T 1 . Supongamos que existe un portfolio (φ0t , φ1t ), autofinanciado, basado en la cuenta bancaria y en el bono que expira en T 2 tal que en el instante T 3 < T 1 replica el bono con madurez T 1 , esto es
× ×
P (T 3 , T 1 ) = φ 0T 3 e
T 3 0
r(s)ds
+ φ1T 3 P (T 3 , T 2 )
entonces si no hay arbitraje se deber´a cumplir la igualdad para todo t manera que t 0
dP (t, T 1 ) = r(t)φ0t e
r(s)ds
≤ T 3, de
dt + φ1t dP (t, T 2 )
y aplicando la f´ormula de Itˆo a (3.2) tendremos ∂F (1) ∂ F (1) 1 ∂ 2 F (1) 2 dt + dr(t) + σ dt ∂t ∂r 2 ∂r 2 ∂F (2) ∂F (2) 1 ∂ 2 F (2) 2 = r(t)φ0t S t0 dt + φ1t dt + φ1t dr(t) + φ1t σ dt ∂t ∂r 2 ∂r 2 Igualando los t´ erminos con dW t y dt tendremos, ∂F (1) ∂ F (1) 1 ∂ 2 F (1) 2 + µ+ σ ∂t ∂r 2 ∂r 2 ∂F (2) ∂F (2) 1 ∂ 2 F (2) 2 = rφ 0t S t0 + φ1t + φ1t µ + φ1t σ ∂t ∂r 2 ∂r 2 σ
∂F (1) ∂F (2) = φ1t σ ∂r ∂r
de aqu´ı φ1t =
∂F (1) ∂r ∂F (2) ∂r
y rφ0t S t0
(1)
= r(F
−
∂F (1) ∂r ∂F (2) ∂r
F (2) )
(3.3)
´ J.M. 3.3. MODELOS BASADOS EN LOS TIPOS INSTANT ANEOS
Corcuera
substituyendo en (3.3) tendremos 1 ∂F (1) ∂r
=
∂F (1) ∂ F (1) 1 ∂ 2 F (1) 2 + µ+ σ ∂t ∂r 2 ∂r 2
1 ∂F (2) ∂r
(1)
− rF
∂F (2) ∂ F (2) 1 ∂ 2 F (2) 2 + µ+ σ ∂t ∂r 2 ∂r 2
(2)
− rF
.
Como esto es cierto para arbitrarios, T 1 , T 2 < T, resultar´a que existe un λ(t, r) tal que ∂F ∂ F 1 ∂ 2 F 2 + µ + σ ∂t ∂r 2 ∂r 2
(ecuaci´o n de estructura) − rF = λσ ∂F ∂r
(3.4)
Como vemos resulta una indeterminaci´on en λ y esto tiene que ver con el hecho de que la din´amica de r(t) bajo P no determina los precios de los bonos. Tenemos la siguiente proposici´on Proposici´ on 3.3.1 Sea P ∗ equivalente a P tal que dP ∗ = exp dP
T
{−
λ(s, r(s))dW s
0
−
1 2
T
λ2 (s, r(s))ds ,
}
0
supongamos que F (t, r(t); T ) = E P ∗ (e−
T t
r(s)ds
|F t)
es C 1,2 , entonces es una soluci´ on de (3.4) con la condici´ on de contorno F (T, r(T ); T ) = ∗ 1. Adem´ as bajo y P ˜ t dr(t) = (µ λσ)dt + σd W
−
˜ ( con W
F t) P ∗-movimiento browniano.
Demostraci´ on. Sea P ∗ equivalente a P tal que dP ∗ = exp dP
T
{−
λ(s, r)dW s
0
−
1 2
T
λ2 (s, r)ds
}
0
{ 12
(una condici´on suficiente es la condici´on de Novikov E (exp ) entonces sabemos, por el teorema de Girsanov, que
∞
˜ · = W · + W
·
T 2 0 λ (s, r(s))ds
λ(s, r(s))ds
0
F t)-browniano respecto a P ∗. Si aplicamos la f´ormula de Itˆo a e−
es un (
}}) <
t 0
r(s)ds
F (t, r(t); T )
CAP ´ ITULO 3.
104
´ MODELOS DE TIPO DE INTER ES
tendremos: e−
t 0
r(s)ds
F (t, r(t); T ) t
= F (0, r(0); T ) +
e−
s 0
(
r(u)du
∂F ∂ F 1 ∂ 2 F 2 ( + µ + σ ∂t ∂r 2 ∂r 2
0
t
+
e−
s 0
∂r
σdW s t
= F (0, r(0); T ) +
e−
s 0
0
t
+
e−
s 0
− rF )ds
r(u)du ∂F
0
∂F ∂ F 1 ∂ 2 F 2 + µ + σ ∂t ∂r 2 ∂r 2
r(u)du
− rF − λσ ∂F )ds ∂r
r(u)du ∂F
0
∂r
˜ s . σdW t
T
Entonces como e− 0 r (s)ds F (t, r(t); T ) = E P ∗ ((e− 0 r(u)du t ) resultar´ a que ∂F ∂F 1 ∂ 2 F 2 ∂F rF λσ ∂r = 0, y la condici´on de contorno F (T, r(T ); T ) = ∂t + ∂r µ+ 2 ∂r 2 σ 1 se cumple trivialmente. Ante esta circunstancia se han propuesto diversos modelos para r(t) bajo la probabilidad neutral:
− −
| F
1. Vasicek dr(t) = (b
− ar(t))dt + σdW t.
2. Cox-Ingersoll-Ross (CIR) dr(t) = a(b
− r(t))dt + σ√ r(t)dW t
3. Dothan dr(t) = ar(t)dt + σr(t)dW t 4. Black-Derman-Toy dr(t) = Θ(t)r(t)dt + σ(t)r(t)dW t 5. Ho-Lee dr(t) = Θ(t)dt + σdW t 6. Hull-White (Vasicek generalizado) dr(t) = (Θ(t)
− a(t)r(t))dt + σ(t)dW t
7. Hull-White (CIR generalizado) dr(t) = (Θ(t)
− a(t)r(t))dt + σ(t)√ r(t)dW t
´ J.M. 3.3. MODELOS BASADOS EN LOS TIPOS INSTANT ANEOS
3.3.1
Corcuera
Inversi´ on de la curva de tipos
En estos modelos tenemos una serie de par´ametros desconocidos, que denotaremos globalmente por α, estos par´ametros No pueden estimarse a partir de la observaci´on de la evoluci´on de los valores de r(s) ya que estos evolucionan en realidad bajo P y no bajo P ∗ . Donde si aparece el efecto de la P ∗ es en los precios reales de los bonos ya que si el modelo es correcto P (t, T ) = E P ∗ (e−
T t
r(s)ds
|F t) = F (t, r(t); T, α),
esto u ´ ltimo si el modelo es markoviano bajo P ∗ . Entonces si por ejemplo la evoluci´on de r bajo P ∗ viene dada por dr(t) = µ(t, r(t); α)dt + σ(t, r(t); α)dW t podemos tratar de resolver la ecuaci´on en derivadas parciales ∂F ∂ F 1 ∂ 2 F 2 + µ + σ rF = 0, ∂t ∂r 2 ∂r 2 F (T, r(T ); T, α) = 1
−
(3.5) (3.6)
y luego ajustar el valor de α para que los valores que hemos obtenido de P (t, T ) = F (t, r(t); T, α) se parezcan a los valores observados de los bonos. Evidentemente determinados modelos dar´an lugar a ecuaciones m´as faciles de resolver que otros.
3.3.2
Estructuras de tipos afines.
{
Definici´ on 3.3.1 Si la estructura de tipos (”term structure”) P (t, T ); 0 T tiene la forma P (t, T ) = F (t, r(t); T )
}
≤ t ≤
donde F tiene la forma F (t, r(t); T ) = e A(t,T )−B(t,T )r donde A(t, T ) y B(t, T ) son funciones deterministas, entonces el modelo se dir´ a que tiene una estructura de tipos af´ın (Affine Term Structure: ATS). La cuesti´on es qu´e elecciones de µ y σ en la din´amica de r(t) bajo P ∗ : dr(t) = µ(t, r(t))dt + σ(t, r(t))dW t nos conducen a un modelo ATS. La ecuaci´on de estructura (3.5) nos lleva a ∂A ∂t
− {1 + ∂∂tB }r − µB + 12 σ2B2 = 0
y la condici´on de contorno (3.6) a A(T, T ) = 0 B(T, T ) = 0.
CAP ´ ITULO 3.
106
´ MODELOS DE TIPO DE INTER ES
Entonces si µ(t, r(t)) y σ 2 (t, r(t)) son tambien afines, esto es µ(t, r(t)) = α(t)r + β (t) σ(t, r(t)) = (γ (t)r + δ (t))
√
resultar´ a que ∂A ∂t
− β (t)B + 12 δ (t)B2 − {1 + ∂∂tB + α(t)B − 12 γ (t)B2}r = 0
y como esto debe ocurrir para todo valor de r(t)(ω) tendremos que ∂A 1 β (t)B + δ (t)B 2 = 0 ∂t 2 ∂ B 1 1+ + α(t)B γ (t)B 2 = 0. ∂t 2
−
−
Ejercicio 3.3.1 Demuestra que salvo los modelos de Dothan y de Black-DermanToy el resto de modelos mencionados tienen una estructura de tipos af´ın.
3.3.3
El modelo de Vasicek
Vamos a ilustrar la t´ ecnica anterior con el modelo de Vasicek. Este modelo se ha utilizado bastante en Alemania y Reino Unido. dr(t) = (b por tanto α(t) =
− ar(t))dt + σdW t,
−a, β (t) = b, γ (t) = 0 y δ (t) = σ 2, de manera que ∂A ∂t
− bB + 12 σ2B2 = 0, ∂ B − aB = 0, 1+ ∂t
A(T, T ) = 0 B(T, T ) = 0
Es f´acil ver que (si a = 0) B(t, T ) =
1 (1 a
− e−a(T −t) ),
ahora de (3.7) obtenemos σ2 A(t, T ) = 2
T
t
2
B dt
T
− b
Bdt
t
y substituyendo la expresi´on de B obtenemos A(t, T ) =
B(t, T )
− (T − t) (ab − 1 σ2) − σ 2 B2(t, T ),
a2
2
4a
recordemos que P (t, T ) = exp
{−(T − t)R(t, T )}
(3.7)
´ J.M. 3.3. MODELOS BASADOS EN LOS TIPOS INSTANT ANEOS
Corcuera
donde R(t, T ) era el tipo de inter´es continuo para el periodo [t, T ], se trata de un tipo promedio en el intervalo [ t, T ], entonces como
{
P (t, T ) = exp A(t, T ) resulta que R(t, T ) =
− B(t, T )r(t)},
T )r(t) , − A(t, T ) −T B(t, −t
se obtiene entonces que en nuestro modelo
b lim R(t, T ) = T →∞ a
2
− 2aσ 2
y esto es considerado como una imperfecci´on del modelo. Ejercicio 3.3.2 Considera el modelo anterior con a > 0. a) Resuelve la ecuaci´ on diferencial estoc´ astica explicitamente y determina la distribuci´ on de r(t). b) Cuando t , la distribuci´ on de r(t) tiende a una distribuci´ on l´ımite. Mostrar que es una distribuci´ on N (b/a,σ/ 2a).
→∞
3.3.4
√
El modelo de Ho-Lee
En el modelo de Ho-Lee dr(t) = Θ(t)dt + σdW t de manera que α(t) = γ (t) = 0, β (t) = Θ(t) y δ (t) = σ 2 . Tenemos entonces las ecuaciones ∂A ∂t
2
− Θ(t)B + σ2 B 2 = 0,
A(T, T ) = 0
∂ B = 0, ∂t
B(T, T ) = 0
1+ con lo que
−
B(t, T ) = T
t
T
A(t, T ) =
2
Θ(s)(s
t
− T )ds + σ2 (T −3 t)
3
.
Notemos que al contrario del modelo anterior no tenemos aparentemente una expresi´ on expl´ıcita en t´erminos de los par´ametros, ahora tenemos un par´ametro infinito-dimensional Θ(s). Una manera de estimarlo es tratar de ajustar la esˆ T ), T tructura de tipos inicial observada P (0, 0 , con los valores te´oricos. Esto es ˆ T ), T 0 P (0, T ) P (0,
{ ≈
Esto conduce a 2
≥ } ≥
2
ˆ
ˆ
T ) T ) ∂ f (0, T ) − ∂ log∂T P (0, ≈ −∂ log∂T P (0, = 2 2 ∂T
CAP ´ ITULO 3.
108
´ MODELOS DE TIPO DE INTER ES
y por tanto Θ(T ) =
∂ ˆ f (0, T ) + σ 2 T ∂T
Ejercicio 3.3.3 Sean (W 1 , W 2 ,...,W n ) n movimientos Brownianos independientes y sean X i , i = 1,...,n, procesos de Ornstein-Uhlenbeck soluciones de
−aX i(t)dt + σdW i (t), i = 1,...,n.
dX i (t) = Considerar el proceso
r(t) := X 12 (t) + ... + X n2 (t). Demostrar que dr(t) = (nσ2
− 2ar(t))dt + 2σ
r(t))dW (t)
donde W es un movimiento Browniano est´ andar.
3.4
Modelos basados en los tipos a plazo
El principal inconveniente de los modelos basados en tipos instant´aneos es su dificultad para capturar la estructura de los tipos observada en el instante inicial. Una manera alternativa es modelizar los tipos a plazo f (t, u) y utilizar la relaci´on r(t) = f (t, t), ´este es el enfoque de Heath-Jarrow-Morton (HJM). Recordemos que u
P (t, u) = exp
{−
}
f (t, s)ds ,
t
de manera que los f (t, s) representan los tipos instant´aneos (en s) ”anticipados” por el mercado en t. Suponamos que bajo una probabilidad neutral P ∗ ˜ t df (t, T ) = α(t, T )dt + σ(t, T )dW con
(3.8)
ˆ T ). f (0, T ) = f (0,
Vamos a tratar de deducir la evoluci´on de P (t, u) a partir de la de f (t, T ). Si u escribimos X t = f (t, s)ds, tenemos P (t, u) = eXt y de la ecuaci´on (3.8) t obtenemos
−
u
− − −
dX t = f (t, t)dt
t
= f (t, t)dt
df (t, s)ds =
u
u
α(t, s)dtds
t u
= (f (t, t)
t
− − t
α(t, s)ds)dt
(
t
˜ t ds σ(t, s)dW
u
˜ t , σ(t, s)ds)dW
3.4. MODELOS BASADOS EN LOS TIPOS A PLAZO
J.M. Corcuera
donde hemos aplicado un Fubini ”estoc´astico”. De manera que dP (t, u) 1 = dX t + d X t P (t, u) 2
u
= (f (t, t) u
1 + ( 2
− t
= (f (t, t) u
(
(
˜ t σ(t, s)ds)dW
t
σ(t, s)ds)2 dt
t
−
u
α(t, s)ds)dt
−
u
− t
1 α(t, s)ds + ( 2
u
σ(t, s)ds)2 )dt
t
˜ t . σ(t, s)ds)dW
t
Entonces si comparamos con lo obtenido en (3.1.1) y tenemos en cuenta que f (t, t) = r(t) resultar´a que u
− t
1 α(t, s)ds + ( 2
de manera que
u
σ(t, s)ds)2 = 0
t
u
α(t, u) = (
σ(t, s)ds)σ(t, u)
t
y podemos reescribir la ecuaci´on de evoluci´on (3.8) como T
df (t, T ) = σ(t, T )(
˜ t , σ(t, s)ds)dt + σ(t, T )dW
t
notemos que entonces todo depende de σ(t, s), es decir de cierta volatilidad. Hemos ”eliminado” la tendencia α(t, u), como en cierta manera ocurr´ıa en el modelo de Black-Scholes. Entonces el algoritmo para el uso de un modelo HJM es 1. Especificar la elecci´on de las volatilidades σ(t, s) T ˜ t con σ(t, s)ds)dt + σ(t, T )dW t
2. Integrar df (t, T ) = σ(t, T )( ˆ T ). inicial f (0, T ) = f (0,
3. Calcular los precios de los bonos por la formula P (t, T ) = exp
la condici´on
{−
T f (t, s)ds t
4. Utilizar los resultados anteriores para calcular los precios de los derivados. Ejemplo 3.4.1 Supongamos que σ(t, T ) es constante, constante que denotamos tambi´en por σ. Entonces ˜ t − t)dt + σdW
df (t, T ) = σ 2 (T de manera que
˜ t − 2t ) + σW
f (t, T ) = f ˆ(0, T ) + σ2 t(T
}.
CAP ´ ITULO 3.
110 en particular
´ MODELOS DE TIPO DE INTER ES
σ 2 t2 ˆ ˜ t r(t) = f (t, t) = f (0, t) + + σ W 2
de manera que ∂ ˆ f (0, T ) 2 ˜ T =t + σ t)dt + σd W t ∂T pero este es el modelo de Ho-Lee ajustado a la estructura inicial de los tipos a plazo!.
|
dr(t) = (
Ejemplo 3.4.2 Una suposici´ on habitual consiste en suponer que los tipos a plazo con mayor madurez fluctuan menos que los de madurez m´ as corta. Para tener esto en cuenta podemos suponer por ejemplo que σ(t, T ) = σe −b(T −t) , b > 0, tendremos entonces que T
T
σ(t, s)ds =
t
e−b(s−t) ds =
t
y
− σb
e−b(T −t)
−1
,
2
df (t, T ) =
˜ t . − σb e−b(T −t)(e−b(T −t) − 1)dt + σe−b(T −t)dW
Por tanto σ 2 e−2bT 1 2b2
f (t, T ) = f (0, T ) + + σe −bT
t
˜ s , ebs dW
e2bt
− −
σ 2 e−bT (1 b2
− ebt)
0
y en particular r(t) = f (0, t) + + σe −bt
t
σ 2 −2bt e 2b2
˜ s , ebs dW
2
− 1 − σb2 (e−bt − 1)
0
que es una generalizaci´ on del modelo de Vasicek.
3.4.1
La ecuaci´ on de Musiela
Definamos r(t, x) := f (t, t + x) y supongamos un modelo del tipo HJM bajo una probabilidad neutral, de manera que T
df (t, T ) = σ(t, T )(
t
tenemos la siguiente proposici´on
˜ t , σ(t, s)ds)dt + σ(t, T )dW
3.4. MODELOS BASADOS EN LOS TIPOS A PLAZO
J.M. Corcuera
Proposici´ on 3.4.1 ∂ dr(t, x) = r(t, x) + σ0 (t, x)( ∂x
x
{
˜ t σ0 (t, s)ds dt + σ0 (t, x)dW
}
0
donde σ0 (t, x) := σ(t, t + x) Demostraci´ on. dr(t, x) = df (t, T )|T =t+x + t+x
= σ(t, t + x)(
∂ f (t, T )|T =t+x dt ∂T ˜ t σ(t, s)ds)dt + σ(t, t + x)dW
t
+
∂ r(t, x)dt ∂x
Notemos que la ecuaci´on de Musiela es una ecuaci´on diferencial estoc´astica infinito-dimensional o una ecuaci´on en derivadas parciales estoc´astica.
3.4.2
Bonos con cupones y swaps
Bonos con cupones fijos El m´as simple de lso bonos con cupones es el bono con cupones fijados. Es un bono que en puntos intermedios proporciona unos pagos predertimados (cupones) al poseedor del bono. La descripci´on formal es la siguiente:
• Fijamos unos instantes, T 0, T 1,...,T n.T 0 se interpreta como el el instante de emisi´on del bono, mientras que T 1 ,...,T n son los instantes de pago.
• En el instante T i el propietario recibe la cantidad c i. • En T n el propietario del bono recibe adem´as K . Es obvio que este bono puede ser replicado con una cartera con ci bonos de cero cupones con madurez T i , i = 1,..,n 1 y K bonos de cero cupones de madurez T n . De manera que su precio en cuaquier instante t < T 1 vendr´a dado por
−
n
p(t) = K P (t, T n ) +
ci P (t, T i ).
i=1
A menudo los cupones se determinan en t´erminos de alg´un tipo de inter´es r i en lugar de cantidades, de manera que por ejemplo ci = r i (T i
− T i−1)K.
CAP ´ ITULO 3.
112
´ MODELOS DE TIPO DE INTER ES
Para un cupon est´andar los intervalos de tiempo son equiespaciados: T i = T 0 + iδ, y r i = r, de manera que n
p(t) = K P (t, T n ) + rδ
i=1
P (t, T i ) .
Bonos con tipos flotantes En muchos bonos con cupones el bono no se fija de antemano sino que se actualiza en cada periodo, un ejemplo es tomar ri = L(T i−1 , T i ) donde L es el LIBOR del momento. Recordemos que L(T i−1 , T i )(T i
− T i−1) = P (T i−11, T i ) − 1
de manera (que si tomamos K = 1) ci = L(T i−1 , T i )(T i
− T i−1) = P (T i−11, T i ) − 1.
Es f´acil ver que podemos replicar esta cantidad vendiendo un bono (sin cupones) que madure en T i y comprando uno que madure en T i−1 :
• Con el bono que vendemos tendremos en T i un payoff −1. • Con 1el bono que compramos, tendremos 1 en T i−1 y podemos comprar 1 P (T i−1 ,T i ) bonos
que maduren en T i proporcionando un payoff P (T i−1 ,T i ) .
• El coste total es P (t, T i−1) − P (t, T i). Por tanto para cualquier instante t < T 0 el precio del bono con cupones aleatorios ser´a n
p(t) = P (t, T n ) +
i=1
(P (t, T i−1 )
− P (t, T i)) = P (t, T 0)!
Swaps de tipos de inter´ es. Hay muchas clases de swaps sobre tipos de inter´es pero todos ellos son b´asicamente un intercambio de pagos a un tipo fijo con pagos a un inter´es aleatorio. Vamos a considerar los llamados ”forwards swaps settled in arrears”. Denotemos por K el nominal y R el (”swap rate”) inter´es fijo. Supongamos unos instantes T i equiespaciados, en el instante T i , i 1 recibimos
≥
KδL(T i−1 , T i )
J.M. Corcuera
3.4. MODELOS BASADOS EN LOS TIPOS A PLAZO
a cambio de KδR, de manera que el balance en T i es Kδ [L(T i−1 , T i ) valor de este flujo de dinero en t t 0 ser´a
≤ K (P (t, T i−1 ) − P (t, T i )) − KδRP (t, T i ) = KP (t, T i−1 ) − K (1 + Rδ )P (t, T i ),
− R], el
de manera que en total n
p(t) =
i=1
(KP (t, T i−1 )
− K (1 + Rδ )P (t, T i )) n
= KP (t, T 0 )
− KP (t, T n) − KRδ n
= KP (t, T 0 )
− K
P (t, T i )
i=1
di P (t, T i ),
i=1
−
con d i = Rδ,i = 1,..,n 1 y d n = 1 + Rδ. R se suele tomar de manera que el valor del contrato sea cero a la hora de establecerlo Si se establece en t < T 0 , R =
3.4.3
−
P (t, T 0 ) P (t, T n ) . δ ni=1 P (t, T i )
”The foward measure”
Vamos a estudiar un procedimiento que puede ser ´util a la hora de calcular precios de derivados en el mercado de bonos. Se trata del uso de la llamada ”forward measure”. Sea P ∗ la probabilidad neutral. Por definici´on P ∗ es una probabilidad tal que ˜ T ) P (t,
0 t T
≤≤
son martingalas, cualquiera que sea T. Fijemos un tiempo T y consideremos los valores de los bonos con otra madurez T˜ > T, con referencia al bono que madura en T : ˜ P (t, T ) U T, T ˜ (t) := , P (t, T ) es decir en vez de tomar como referencia (”numeraire”) el valor de la cuenta bancaria, tomamos el bono que madura en T . Sea P T una probabilidad respecto a la cual U T, T ˜ (t) son martingalas para cualquier T˜ > T . A P T le
0 t T
≤≤
llamaremos ”forward measure”. Definamos una probabilidad en
F T , P T tal que
T
dP T e− 0 rs ds = . dP ∗ P (0, T ) Veamos que es una ”forward measure” (de hecho es la ´unica por el teorema de representaci´ on de martingalas brownianas) .
CAP ´ ITULO 3.
114
´ MODELOS DE TIPO DE INTER ES
Proposici´ on 3.4.2 Si (V t )0≤t≤T es el valor de una cartera autofinanciada, entonces su valor descontado utilizando el bono P (t, T ) como referencia (”numeraire”) es una P T -martingala. Es decir V t , P (t, T )
≤ t ≤ T ,
0
es una P T -martingala. Demostraci´ on. Definamos T
e− 0 rs ds Z t := E P ∗ ( P (0, T ) entonces
|F t),
˜ T ) P (t, . P (0, T )
Z t = Por la regla de Bayes (1.8) E P T (
V T P (T, T )
|F t) = E P ∗ (V Z T tZ T |F t) ˜T |F t ) ˜t E P ∗ (V V = =
|F t) = E P
T
(V T
˜ T ) P (t,
P (0, T )Z t V t = . P (t, T )
Corolario 3.4.1 El precio de cualquier T -payoff Y replicable viene dado por P (t, T )E P T (Y
|F t).
Demostraci´ on. Sea (V t )0≤t≤T la cartera que replica Y , entonces V T = Y y por tanto V t E P T (Y t ) = . P (t, T )
|F
Proposici´ on 3.4.3 Supongamos que ∂ E P ∗ (e− ∂T
T t
rs ds
∂ |F t) = E P ∗ ( ∂T
entonces E P T (rT
e−
|F t) = f (t, T ).
T t
rs ds
|F
t ),
J.M. Corcuera
3.4. MODELOS MODELOS BASADO BASADOS S EN LOS TIPOS A PLAZO PLAZO
Demostraci´ on. on. 1 ∂P ( ∂P (t, T ) T ) 1 ∂ − = − E P − P ( P ∗ (e P (t, T ) T ) ∂T P ( P (t, T ) T ) ∂T
f ( f (t, T ) T ) =
1 ∂ − P ( E P P ∗ ( P (t, T ) T ) ∂T = E P P (rT |F t ). =
T
e−
T t
rs ds
|F
t) =
T t
rs ds
|F t)
1 − E P P ∗ (rT e P ( P (t, T ) T )
T t
rs ds
|F t)
Sea (S (S t )0≤t≤T un activo estrictamente positivo y denotemos por P (S ) la probabilidad (en T T ) que convierte a
F
V t S t
0 t T
≤≤
en martingala, donde (V ( V t )0≤t≤T es una cartera cartera autofinancia autofinanciada. da. Veamo eamoss una f´ormula ormula general para el precio de una opci´on. Proposici´ on on 3.4.4 Sea (S ( S t )0≤t≤T un activo estrictamente positivo entonces el precio de una opci´ on de compra con madurez T T del activo S S y strike K K viene dado por Π(t Π(t; S ) = S t P (S ) (S T T
≥ K |F t) − KP ( KP (t, T ) T )P T (S T T ≥ K |F t ).
Demostraci´ on. on.
− Π(t Π(t; S ) = E P P ∗ (e
T t
rs ds
− K )+|F t) − r ds (S T = E P P ∗ (e T − K )1{S ≥K } |F t ) − r ds S T − r ds 1{S ≥K } |F t ) = E P P ∗ (e T 1{S ≥K } |F t ) − KE P P ∗ (e = S t P (S ) (S T KP (t, T ) T )P T (S T T ≥ K |F t ) − KP ( T ≥ K |F t ),
con
T t
s
T t
s
(S T T
T T
T t
T T
dP (S ) e− = dP ∗
T 0
rs ds
S 0
S T T
s
T T
.
Supongamos que S es S es otro bono que madura en T¯ > T, entonces T, entonces la opci´on on (de madurez T madurez T )) sobre ese bono tendr´a un precio dado por ¯)P T ¯ (P ( ¯) Π(t Π(t; S ) = P ( P (t, T ) T P (T , T ) T
≥ K |F t)) − P ( P (t, T ) T )P T (P ( P (T , ¯ T ) T ) ≥ K |F t )) P (T , T ) T ) 1 P (T , ¯ T ) T ) T P ( ¯)P T ¯ ( P ( = P ( P (t, T ) T ) KP ( KP ( t, T ) T ) P ( ≤ |F − ≥ K |F t). t ¯ K P ( P (T , T ) T ) P ( P (T , T ) T )
Definamos, ¯) := F B (t,T, T ) T
P ( P (t, T ) T ) ¯) . P ( P (t, T ) T
CAP ´ ITULO ITULO 3.
116
´ MODELOS MODELOS DE TIPO TIPO DE INTER INTER ES
En nuestro contexto de estructuras afines P (t, T ) T ) ¯ ) = P ( F B (t,T, T ) T = exp A(t, ¯ T ) T ) ¯ P ( P (t, T ) T )
{−
T ) + (B ( B (t, ¯ T ) T ) − B (t, T )) T ))rrt } − A(t, T )
y respecto a P a P ∗ dF B (t) = F B (t)(... )(...d dt + (B (B (t, ¯ T ) T ) ¯
entonces respecto P respecto P T y a P T tendremos
T ))σ σt dW t ), − B(t, T ))
¯ − B(t, T )) T ))σ σt dW tT , ¯ ) − B (t, T )) dF B−1 (t) = −F B−1 (t)(B )(B (t, T ) T T ))σ σt dW tT .
¯) dF B (t) = F B (t)(B )(B (t, T ) T
de manera que P ( P (t, T ) T ) F B (T ) T ) = exp P ( P (t, ¯ T ) T ) P ( P (t, ¯ T ) T ) F B−1 (T ) T ) = exp P ( P (t, T ) T ) con
T
{− { t T
t
σT¯,T (t) =
1 2
σT¯,T (s)dW sT
T
− −
¯ σT¯,T (s)dW sT
1 2
t T
σT2¯,T (s)ds ,
}
σT2¯,T (s)ds .
t
}
−(B(t, ¯T ) T ) − B (t, T )) T ))σ σt
entonces si σ si σt es determinista la determinista la ley de log LT condicionada a ¯ T repecto repecto de P de P y P T de varianza 2 Σt,T, ¯ T
Ley
Ley
log F B (T ) T )
log F B−1 (T ) T )
T
:=
t
σT2¯,T (s)ds,
P ( P (t,T ) t,T ) 1 2 − log P ( ¯ ¯ ) + 2 Σt,T,T P (t,T ) T
Σt,T,T ¯
¯) P ( P (t,T ) T 1 2 − log P ( ¯ P (t,T ) t,T ) + 2 Σt,T,T
Σt,T,T ¯
Notemos finalmente que P (T , T ) T ) ¯ P ( Π(t Π(t; S ) = P = P ((t, ¯ T ) T )P T ( P ( P (T , ¯ T ) T )
F t es Gaussiana
|F |F
¯
t
∼
N (0 N (0,, 1) bajo P bajo P T
t
∼
N (0 N (0,, 1) bajo P bajo P T
¯
P ( P (T , T ) T ) KP (t, T ) T )P T ( ≤ K 1 |F t) − KP ( ≥ K |F t) P ( P (T , T ) T ) (3.9)
KP (t, T ) T )P T (F B−1 (T ) T ) ≥ K |F t ) ≤ K 1 |F t) − KP ( ¯ = P ( P (t, ¯ T ) T )P T (log F B (T ) T ) ≤ − log K |F KP (t, T ) T )P T (log F B−1 (T ) T ) ≥ log K |F |F t) − KP ( |F t) = P ( P (t, ¯ T )Φ( T )Φ(d d+ ) − KP ( KP (t, T )Φ( T )Φ(d d − ), ¯ = P ( P (t, ¯ T ) T )P T (F B (T ) T )
con
¯
±
d =
P ( P (t,T ) T ) log KP ( KP (t,T ) t,T )
2 ± 21 Σt,T, ¯ T
Σt,T,T ¯
.
J.M. Corcuera
3.5. FORWARDS AND FUTURES FUTURES
Ejemplo 3.4.3 En el modelo de Ho-Lee
−σ(T ¯ − − T ) T ), √ − t. ¯ − − T ) Σt,T,T ¯ = σ( σ (T T ) T − σT¯,T =
Ejemplo 3.4.4 En el modelo de Vasicek σ at −aT ¯ e (e e−aT ), a σ2 2 2(T −t) Σt,T, = (1 e−2(T )(1 ¯ T 2a3
−
σT¯,T =
−
T ) 2 ) . − e−(T ¯−T )
Caps and Floors Un ”cap” es un contrato que protege de tener que pagar m´as as que un tipo de inter´ inter´es es preespecificado, ”the cap rate”, R aunque el pr´estamo estamo sea a inter´es es variable. variable. Tambi´ ambi´en en se puede definir el ”floor” ”flo or” que es un contrato que garantiza que el tipo de intr´es es va a estar siempre por encima del ”floor rate” R aunque el pr´estamo esta mo sea a inter´es es variable. variab le. T´ ecnicamente ecnicamente un cap es una suma de ”captlets” que consisten en los siguientes contratos b´asicos. asicos. δ : 0 = T 0 , T 1 ,...,T n = • El intervalo [0,T] se divide en puntos equidistantes δ : T . T . T´ıpicamente 1/4 de a˜no no o medio a˜no. no.
• El ”cap”
funciona funciona sobre una ”cantidad ”cantidad principal principal” ” digamos K y el ”cap rate ” es R.
• El tipo de inter´eses flotante es por p or ejemplo el LIBOR L( L (T i−1 , T i ). caplet i se define como un contrato con payoff en T i dado por • El caplet i Kδ ( Kδ (L(T i−1 , T i ) − R)+ . Proposici´ on on 3.4.5 El valor de un ”cap” con nominal K K y ”cap rate” R es el de una cartera de 1 + Rδ + Rδ opciones opciones de venta que maduran en T i−1 , i = 1,...,n 1 sobre bonos que maduran en T i y con un precio de ejercicio 1+Rδ 1+Rδ . Notemos que Cap(t)
3.5
− Floor(t) = Swap(t). Swap(t) .
Forward orwardss a and nd Future uturess
Definici´ on on 3.5.1 Sea X X un payoff en T . T . Un contr contrato ato a plazo plazo sobre sobre X con instante de suministro T T es un contrato establecido en t < T que T que especifica un a en T por precio a plazo f plazo f ((t; T , X ) que se pagar´ T por recibir X. X. El precio f precio f ((t; T , X ) se determina de manera que el contrato en t valga cero.
CAP ´ ITULO 3.
118
´ MODELOS DE TIPO DE INTER ES
Proposici´ on 3.5.1 1 f (t; T, X ) = E P ∗ (X exp P (t, T ) = E P T (X t ).
|F
T
{−
}|F t)
rs ds
t
Definici´ on 3.5.2 Sea X un payoff en T. Un contrato de futuros sobre X e instante de suministro T es un activo financiero con las siguientes propiedades
• Existe un ”precio futuro” F (t; T, X ) sobre X en cada instante t. • En T el poseedor del contrato paga F (T ; T, X ) y recibe X. • Para un intervalo de tiempo arbitrario ( s, t] el poseedor recibe F (t; T, X ) − F (s; T, X ).
• En cada instante el precio del contrato es cero. Proposici´ on 3.5.2
|F t).
F (t; T, X ) = E P ∗ (X
Corolario 3.5.1 Los precios futuros y los ”forward” coinciden si y s´ olo si los tipos de inter´es son deterministas. Un modelo de Libor. En primer lugar notemos que L(t; T i−1 , T i ) =
i ) − P (t, T i−1 ) , − P (t, T δP (t, T i )
de manera que F B (t, T i−1 , T i ) =
P (t, T i−1 ) = 1 + δL(t; T i−1 , T i ) P (t, T i )
con lo que dF B (t, T i−1 , T i ) = δ dL(t; T i−1 , T i ), con lo que, respecto a P T i , y en nuestro contexto de estructura af´ın dL(t; T i−1 , T i ) = F B (t, T i−1 , T i )(B(t, T i ) B(t, T i−1 ))σt dW tT i 1 = (1 + δL(t; T i−1 , T i ))(B(t, T i ) B(t, T i−1 ))σt W tT i . δ
−
−
Entonces la estructura de los LIBOR queda determinada. Otra manera de proceder es dar un modelo para los LIBOR, pero hay que hacerlo de manera que el modelo sea consistente y libre de oportunidades de arbitraje, una manera es que implique alg´un modelo para los forward libre de oportunidades de arbitraje.
J.M. Corcuera
3.6. MISCELANEA
Se puede ver, por un procedimiento de inducci´on hacia atras (enfoque de Musiela y Rutkowski) que es posible construir un modelo LIBOR tal que dL(t; T i−1 , T i ) = L(t; T i−1 , T i )λ(t, T i−1 , T i )dW tT i , i = 1,...,n con la condiciones iniciales L(0; T i−1 , T i ) =
i ) − P (0, T i−1 ) − P (0, T δP (0, , i = 1,...,n. T i )
En particular si tomamos λ(t, T i−1 , T i ) determinista tendremos que L(t; T i−1 , T i ) es lognormal (LLM), este modelo es muy usado. Proposici´ on 3.5.3 En un modelo LLM el precio de un cap (”in arrears”) con strike K y ”tenor-structure” T i = T 0 + iδ , i = 1,...,n viene dado por n
Π(t) =
i=1
δP (t, T i )(L(t; T i−1 , T i )Φ(di+ )
donde di± =
log
υi (t)
donde υi2 (t) =
L(t;T i−1 ,T i ) K
T i−1
t
− K Φ(di−),
± 21 υi2(t) ,
λ2 (s, T i−1 , T i )ds.
Observaci´ on 3.5.1 Si λ2 (s, T i−1 , T i ) = σ i2 , i = 1,..,n para ciertas constantes entonces tenemos la llamada f´ ormula de Black para caps.
3.6 3.6.1
Miscelanea Black-Scholes en el caso multidimensional
El mercado consistir´a en (d +1) activos financieros S t0 , S t1 ,..., S td de manera que dS t0 = S t0 r(t)dt, S 00 = 1, y d
dS ti = S ti (µi (t)dt +
σ ij (t)dW tj ), i = 1,...,d
j=1
donde W = (W 1 ,...,W d ) es un browniano d-dimensional . Por simplicidad suponemos que µ, σ y r son deterministas y cadlag. Consideraremos la filtraci´on natural asociada a W . Una estrategia de inversi´on ser´a un proceso adaptado φ = ((φ0t , φ1t ,...,φ dt ))0≤t≤T en R d+1 . El valor de la cartera en el instante t es el producto escalar d
·
V t (φ) = φt S t =
i=0
φit S ti ,
CAP ´ ITULO 3.
120
´ MODELOS DE TIPO DE INTER ES
su valor descontado es t r ds 0 s
˜t (φ) = e− V
˜t . V t (φ) = φt S
·
Supondremos que los activos pueden producir dividendos continuos (y deterministas) ((δ t1 ,...,δ td ))0≤t≤T de manera que si la estrategia es autofinanciada d
dV t (φ) =
d
φit dS ti +
i=0
φit S ti δ ti dt.
i=1
Busquemos una probabilidad bajo la cual los precios actualizados de las carteras autofinanciadas sean martingala. Sabemos que
˜t = d e− dV =
−rte−
= e− = e−
t r ds 0 s
t r ds 0 s
t r ds 0 s
t r ds 0 s
V t dt + e−
t r ds 0 s
rt (φ0t S t0
= e−
d
t r ds 0 s
dV t
d
φit dS ti +
φit S ti δ ti dt
i=1
d
t r ds 0 s
− −
φit S ti (δ ti
φit dS ti + φit S ti δ ti dt
i=1
rt )dt +−
t 0
d
rs ds
φit dS ti
i=1
d
d
φit S ti (δ ti + µit
d
σ ij (t)d W tj +
σt−1
jk
(t)(δ tk + µkt
− rt)dt
k=1
d
φit S ti
˜ tj σ ij (t)dW
j=1 d
˜ tj = W tj + W
σ ij (t)dW tj
j=1
d
j=1
d
con
φit S ti
rt )dt +
d
φit S ti
i=1
d
i=1
i=1
= e−
rs ds
t r ds 0 s
V t dt + e−
d
− V t)dt + e−
i=1
t r ds 0 s
t 0
t r ds 0 s
i=0
i=1
= e−
−rte−
V t (φ) =
σ−1
jk
(t)(δ tk + µkt
− rt)dt, j = 1,...,d
k=1
jk
Entonces por el teorema de Girsanov con θj (t) = σ −1 (t)(rt δ tk µ kt ) ˜t resulta que W es un browniano est´andar d-dimensional con respecto
0 t T
≤≤
− −
a la probabilidad P ∗ :
dP ∗ = Πnj=1 exp{− Tendremos as´ı que
T
0
θj (t)dW tj
˜T E P ∗ (V
−
1 2
|F t) = V ˜t,
T
0
θj2 (t)dt dP.
}
J.M. Corcuera
3.6. MISCELANEA
y cualquier T -payoff X que sea replicable tendr´a un precio en t dado por V t = e
t r ds 0 s
˜ T E P ∗ (X
|F t).
˜ T es de cuadrado integrable el teorema de representaci´on de Por otro lado si X martingalas permite escribir d
˜ T E P ∗ (X
˜ t ) = E P ∗ (X T ) +
|F
t
j=1
0
˜ j , hjs dW s
con lo que podemos tomar φit =
d
1 ˜ti S
ik
σt−1
hkt , i = 1,...,d.
k=1
Observaci´ on 3.6.1 Hemos supuesto que σtij es invertible y de aqu´ı se deriva que el modelo est´ a libre de arbitraje y es completo. Para la ausencia de arbitraje solo necesitamos que exista θ(t) tal que dk=1 σ jk (t)θk (t) = δ tj + µjt r t . En
−
cambio para que el modelo sea completo necesitamos que σtij sea invertible. De esta manera podemos tener modelos viables donde la dimensi´ on de W sea mayor que el n´ umero de stocks pero entonces no ser´ an completos. Precio de una opci´ on de compra. Notemos primero que bajo P ∗ d
dS ti
−
= S ti (
δ ti
rt
dt +
˜ j ), i = 1,...,d, σtij dW t
j=1
i
con lo que S ti e−(rt −δt )t son martingalas bajo P ∗ : dS ti e−
t 0 (rs
−δsi )ds = e −
t 0 (rs
−δsi )ds
d
=
S ti rt
δ ti dt + dS ti
− −
˜ tj . σtij S ti dW
j=1
Entonces C t := E P ∗
− F { } F −
i (S T
exp
K )+
t
T rs ds t
bajo P ∗ , y condicionando a i log S T
−
log S ti ∼
T
N (
(rs
t
T
= exp
{
δ si ds
}E P ∗
t
i (S T
− K )+ |F t T exp{− t (rs − δ si )ds}
t,
δ si )ds
−
1 2
T d
T d
t
j=1
2 σsij
ds,
t
j=1
σsij
2
ds).
,
CAP ´ ITULO 3.
122
´ MODELOS DE TIPO DE INTER ES
Por tanto T
C t = exp
{ t
δ si ds
}
con log d± =
S ti Φ(d+ )
S ti K
+
T
− K exp
{
− δ si )ds}Φ(d−)
(rs
t
− ± T t
T t
d j=1
1 2
δ si
rs
d j=1
σsij
2
σsij
2
,
ds .
ds
Si volvemos al caso d = 1, a un modelo de Black-Scholes con tipo de inter´es r y tasa de dividendos constante δ , tenemos la siguiente f´ormula para el precio de una opci´on de compra, con strike K , de un stock que genera dividendos. C t = S t e−δ(T −t) Φ(d+ ) con d± =
log
S t K
+ (r σ
Opciones sobre divisas.
− Ke −r(T −t) Φ(d−), 1 2 2 σ )(T
− ± − δ
(T
t)
− t) .
Un divisa se puede pensar como un tipo de stock cuyo valor por unidad en t, digamos X t , var´ıa de manera aleatoria y que genera unos intereses (o dividendos) al tipo for´aneo, digamos r f . De esta manera, si suponemos un modelo de BlackScholes para X y tipo de inter´es (dom´estico) rd , el valor de una opci´o n de compra con strike K se obtendr´a por la f´ormula anterior con δ = r f y r = r d . Observaci´ on 3.6.2 Los razonamientos anteriores se pueden extender al caso en que µ, r y δ sean procesos adaptados, cadlag y tales que Πnj=1 exp
t
{− 0
θj (s)dW sj
−
1 2
t
0
θj2 (s)ds , 0
} ≤ t ≤ T ,
sea una martingala. Tambi´ en al caso en que σ sea adaptada e invertible para todo ω y t, pero ya no tendremos formulas del ”tipo Black-Scholes” ya que los valores ”descontados” de los stocks ya no ser´ an log-normales . Stock options Supongamos que los bonos tienen una volatilidad σB (t, T ), d-dimensional, determinista y cadlag, esto es, que bajo la probabilidad neutral P ∗
·
dP (t, T ) = P (t, T )(...dt + σB (t, T ) dW t ) y que tenemos un stock S tal que bajo P ∗
·
dS t = S t (rt dt + σS (t) dW t ),
J.M. Corcuera
3.6. MISCELANEA
−
donde σS (t) σB (t, T ) > 0, σS (t) determinista y cadlag. Entonces el precio de una opci´on de compra con strike K viene dado por
− KP (t, T )Φ(d−),
C t = S t Φ(d+ ) con d± = donde Σ2t
S t log KP (t,T )
Σt
T
=
σS (u)
t
± 21 Σ2t
(3.10)
,
− σB (u, T )2 du.
En efecto por la f´ormula general que vimos Π(t; S ) = S t P (S ) (S T
≥ K |F t) − KP (t, T )P T (S T ≥ K |F t),
bajo P ∗ P (t, T ) P (0, T ) F S (t) := = exp S t S 0
t
{ 0
y bajo P (S )
||
t
..du +
dF S (t) = σS (u)
(σS (u)
0
− σB (u, T )) · dW u},
− σB (u, T ))||dW u(S ),
donde W (S ) es un browniano. An´alogamente bajo P T F B (t) := dF B (t) =
S t P (t, T )
−||σS (u) − σB (u, T ))||dW uT ,
con W T browniano bajo P T . Y siguiendo los mismos c´alculos que en (3.9) obtenemos (3.10). Volatilidad estoc´ astica Supongamos que bajo P ∗ dS t = S t (rt dt + σS (W t2 , t)dW t1 ) donde W t1 y W t2 son dos brownianos est´andar independientes. Entonces el precio de una opci´on de compra con strike K viene dado por E (S t Φ(d+ ) con d± = donde Σ2t
T
=
t
− KP (t, T )Φ(d−)|F t),
S t log KP (t,T )
σS (W u2 , u)
Σt
± 21 Σ2t
,
− σB (W u2, u , T ) 2 du.
CAP ´ ITULO 3.
124
´ MODELOS DE TIPO DE INTER ES
Estamos suponiendo que dP (t, T ) = P (t, T )(...dt + σB (W t2 , t , T )dW t1 ). Si σ B (W u2 , u , T ) = 0 obtenemos la f´ormula de Hull-White. t Si suponemos una covarianza 0 ρ s ds entre W t1 y W t2 obtendr´ıamos
E (S t ξ t Φ(d+ ) con
− KP (t, T )Φ(d−)|F t),
S t ξt log KP (t,T ) d± = ˆt Σ
donde
and
T
− {
ˆ 2t = Σ
( 1
t
T
ξ t = exp
t
± 21 Σˆ 2t
ρ2u σS (W u2 , u)
ρu σS (W u2 , u)dW u2
−
,
− σB (W u2, u , T ))2du 1 2
T
t
2 ρ2u σS (W u2 , u)du .
}
M´ etodos de Fourier para el c´ alculo de precios. Definimos la transformada de Fourier de f por (Ff ) (v) =
eixv f (x)dx.
R
Si f es integrable entonces siempre existe. Su inversa, si f es integrable, viene dada, para casi todo punto, por 1 F−1 f (v) =
2π
e−ixv f (x)dx.
R
Supongamos que el modelo es, bajo P ∗ , de la forma S t = e rt+Xt , donde (X t ) es un proceso con incrementos independientes y homog´ eneos y denk sidad f Xt (x). El precio de un call con strike e vendr´a dado por C (k) = e −rT E ((erT +Xt
− ek )+).
Entonces si consideramos la funci´on zT (k) = e−rT E ((erT +Xt
− ek )+) − (1 − ek−rT )+,
resulta que
− −
ϕX (v i) 1 ς T (v) := (FzT ) (v) = e ivrT T , iv(iv + 1)
J.M. Corcuera
3.6. MISCELANEA
donde ϕXT es la funci´on caracter´ıstica de X T . C (k) se puede obtener ahora invirtiendo ς T (v). En efecto zT (k) = e −rT
f XT (x)(erT +x
− ek )(1{rT +x>k} − 1{rT>k})dx.
R
Entonces si aplicamos Fubini a ς T (v) =
eikv zT (k)dk
R
= e−rT
− − − − − − − eikv
f XT (x)(erT +x
R
R
rT +x
= e−rT
f XT (x)
rT +x
f XT (x) e
R
= eirTv
f XT (x)
R
irTv
=
e
eikv (erT +x
1{rT>k} )dx dk
ek )dk dx
rT
R
= e−rT
ek )(1{rT +x>k}
ex(iv+1) iv
eikv iv ex
rT +x
ek(iv+1) iv + 1
rT
dx
eirTv
rT +x
) dx
rT
f XT (x)
R
ex(iv+1) 1 dx iv + 1
irTv
(ϕXT (v
e − i) − 1) − iv + (ϕX (v − i) − 1) 1
iv eirTv = (ϕXT (v iv(iv + 1)
T
− i) − 1).
El siguiente paso es invertir ς T (v), ya que se supone que conocemos ϕXT , con lo que recuperamos z T (k). Para hacer este ´ultimo paso se suele recurrir a m´etodos num´ericos. Si queremos calcular la transformada de Fourier inversa de f (x) podemos hacer la aproximaci´on
e−iux f (x)dx ≈
A/2
N −1 A − iux e f (x)dx ≈ wk f (xk )e−iuxk ,
N
−A/2
R
−
k=0
−
donde xk = A/2 + k∆, con ∆ = A/(N 1), wk depende del tipo de aproximaci´on, por ejemplo con la aproximaci´on trapezoidal w0 = wN −1 = 1/2 y el retso de pesos 1. Si ahora tomamos u = u n = 2πn N ∆ tendremos que N −1 A iun A/2 − 1 F (f )(un ) ≈ e wk f (xk )e−2πink/N .
N
k=0
Entonces existe un algoritmo ”fast Fourier transform” (FFT) para calcular de manera muy r´apida N 1
−
k=0
gk e−2πink/N , n = 0, 1,...,N
− 1,
126
CAP ´ ITULO 3.
´ MODELOS DE TIPO DE INTER ES
que s´olo require O(N log N ) operaciones. Notemos que el paso en la red de 2π 2π puntos un viene dado por d = N ∆ , de manera que d∆ = N de manera que si queremos d y ∆ peque˜ nos tendremos que aumentar N de manera importante. Otra limitaci´o n es que en el algoritmo FFT la red de puntos tiene que ser uniforme y el n´umero de puntos una potencia de 2 (N = 2 k ).